Resumen: Modelar interacciones del vehículo en intersecciones no firmadas es una tarea desafiante debido a la complejidad de los procesos teóricos subyacentes del juego. Aunque los estudios previos han intentado capturar comportamientos de conducción interactivos, la mayoría de los enfoques se basaron únicamente en las formulaciones teóricas del juego y no aprovechó los conjuntos de datos de conducción naturalista. En este estudio, aprendemos políticas de conducción interactiva similares a humanos en intersecciones no firmadas utilizando un juego ficticio profundo. Específicamente, primero modelamos las interacciones del vehículo como un juego diferencial, que luego se reformula como un posible juego diferencial. Los pesos en la función de costo se aprenden del conjunto de datos y capturan diversos estilos de conducción. También demostramos que nuestro marco proporciona una garantía teórica de convergencia a un equilibrio de Nash. Hasta donde sabemos, este es el primer estudio para entrenar políticas de conducción interactiva utilizando un juego ficticio profundo. Validamos la efectividad de nuestro marco de juego diferencial potencial de juego ficticio profundo (DFP-PDG) utilizando el conjunto de datos de interacción. Los resultados demuestran que el marco propuesto logra un rendimiento satisfactorio en el aprendizaje de políticas de conducción similares a los humanos. Los pesos individuales aprendidos capturan efectivamente variaciones en la agresividad y las preferencias del conductor. Además, el estudio de ablación destaca la importancia de cada componente dentro de nuestro modelo.
Publicado Originalme en rss.arxiv.org El 16 de junio de 2025.
Ver Fuente Original
