Resumen: Las interacciones complejas entre los agentes presentan un desafío significativo para la conducción autónoma en escenarios del mundo real. Recientemente, ha surgido un enfoque prometedor, que formula las interacciones de los agentes como un marco de juego Level-K. Efectivamente desacopla las políticas de agente por niveles de juego jerárquico. Sin embargo, este marco ignora tanto las complejidades de conducción variables entre los agentes como los cambios dinámicos en los estados de agente a través de los niveles de juego, en lugar de tratarlos de manera uniforme. En consecuencia, los cálculos redundantes y propensos a errores se introducen en este marco. Para abordar el problema, este documento propone una métrica, denominada entropía de trayectoria, para revelar el estado del juego de los agentes dentro del marco de juego Level-K. La visión clave proviene de reconocer la relación heredada entre la incertidumbre de la política de los agentes y la complejidad impulsora asociada. Específicamente, la trayectoria de entropía extrae señales estadísticas que representan la incertidumbre de los resultados de predicción de trayectoria multimodalidad de los agentes en el juego. Luego, la relación señal / ruido de esta señal se utiliza para cuantificar el estado del juego de los agentes. Según la entropía de trayectoria propuesta, refinamos el marco de juego de nivel de nivel actual a través de un mecanismo de activación simple, mejorando significativamente la precisión general al tiempo que reduce los costos computacionales. Nuestro método se evalúa en los conjuntos de datos Waymo y Nuplan, en términos de predicción de trayectoria, tareas de planificación de circuito abierto y circuito cerrado. Los resultados demuestran el rendimiento de vanguardia de nuestro método, con una precisión mejorada en hasta un 19.89% para predicción y hasta 16.48% para la planificación.
Publicado Originalme en rss.arxiv.org El 8 de junio de 2025.
Ver Fuente Original
