/ 導讀/

目前自動駕駛在場景測試中，比如車道匯入場景，往往會預先設定好周圍車輛與行人的速度以及軌跡等，比如前車以60公里每小時的速度沿車道線方向行駛。然而在真實場景中，場景環境的數據并不能被提前告知，自動駕駛汽車往往還無法根據周圍環境中其他車輛和人的動作或運行軌跡，進行自動調整。

斯坦福大學的研究人員最近創建了一個名為 LUCIDGames 新項目，這是一種可以預測和規劃自動駕駛車輛自適應軌跡的計算技術，它集成了一種基于博弈論的算法和一種估計方法，能夠預測周圍的事物（代理）在未來會做什么，并在他們周圍安全地做決策，即使在復雜的場景中也能應對自如。

LUCIDGames 通過在遞歸參數估計框架中建模來解決最優逆控制問題。它使用卡爾曼濾波器（UKF）迭代更新其他代理的成本函數的貝葉斯估計，隨著從其他代理商觀察到的軌跡收集到更多數據，在線上改進了該估計。然后，計劃車輛通過規劃受不確定性橢圓約束的機器人軌跡，來考慮其他代理車輛的貝葉斯參數估計中的不確定性。該算法假定機器人與環境中的其他主體之間沒有明確的通信或協調。

LUCIDGames的MPC實現以40 Hz的更新頻率演示了復雜自動駕駛場景下的實時性能。實驗結果表明，LUCIDGames相對于現有的游戲理論和傳統MPC規劃方法，可以提高機器人的性能。

這個系統是由一個“估計器”（一種確定駕駛員目標的技術）和一個“決策者”（一種決定自動駕駛車輛轉向角和加速度的算法）組成。決策者根據估算器收集的信息確定最適合車輛的軌跡。首先對軌跡進行預測，然后將其與現實情況進行比較。

經過最初的訓練后，它將對其他車輛代理的軌跡的新猜測進行采樣，使其接近保留的猜測并評估其預測性能。每次重復此過程以完善其猜測，最后得出有關其他周圍因素如何移動的最終預測。

通過這種技術，自動駕駛汽車還可以知道何時可以對自己的猜測充滿信心，以及何時信心較低。在這種不確定的情況下，它將采取更加謹慎的措施，并與其他車輛保持更大的安全距離。

將來，LUCIDGames有望增強自動駕駛汽車的安全性和可靠性。他們可以通過預測周圍環境中車輛的移動和動作來以自適應方式移動。到目前為止，該團隊僅在仿真中評估了該技術。現在，他們還計劃在真正的自動駕駛汽車上進行測試。