该论文介绍了一种基于博弈论的交通模型，该模型可以用于测试、比较和校准各种自主车辆决策和控制系统，并提供了一个交通仿真环境来优化自主车辆控制系统的参数。

Aug, 2016

本文提出了一种用于自动驾驶的新型博弈理论轨迹规划算法，通过将动态游戏分解为漫长的 “战略” 游戏和短期的 “战术” 游戏，在保证实时性的同时，能够量化自动车辆和人类司机影响彼此的能力和激励，实现更加丰富、安全和有效的自主驾驶行为，并且不依赖于完美理性预测，而是适用于非确定性人类决策的模型。

Oct, 2018

我们研究了环城路口的生态驾驶在混合交通中如何提高交通流量和交通效率。我们发展了基于规则和基于强化学习的两种生态驾驶系统，并通过对比它们的性能发现，强化学习并没有明显优势，尤其是在高交通量或低连接车辆渗透率下。

May, 2024

通过包含社会行为和驾驶员个人目标的行为模型，利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测，开发了一种基于滑动时域控制的决策策略，以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较，验证了所提出的决策策略的有效性。

Sep, 2023

最近几年，在自动驾驶领域取得了重大进展，旨在提高安全性和效率。然而，专注于半挂车辆的研究相对较少。由于物理特性和铰接连接，这些车辆需要定制的模型。通过使用高保真模拟软件 CARLA 和几个环形交叉口场景，本研究开发了卡车和挂车模型，并建立了基准数据集。使用双 q 软件参与者算法，我们训练了一个准端到端的自动驾驶模型，在不同的环形交叉口上能够达到 73% 的成功率。

Jan, 2024

本研究构建了一个非零和博弈框架，在其中考虑了多车相互作用并采用了一个有效的方法 —— 基于模型的强化学习方法，用于解决耦合的哈密顿 - 雅可比 - 贝尔曼方程，来推导纳什均衡驾驶策略，并在非信号化交叉口进行了验证。

Feb, 2023

本文提出了一种测试自动驾驶汽车决策制定系统的方法，该方法使用强化学习算法找到最可能发生故障的场景，通过模拟车辆接近人行横道的情况证明了该方法的通用性。

Feb, 2019

自主车辆在交通中需要与人类驾驶员互动来完成任务，因此装备自主车辆具备人工推理以更好地理解周围交通的意图，从而促进任务完成。本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性，同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。本文对所提出的行为模型进行了真实世界轨迹预测能力的评估，并在模拟环境和真实世界交通数据集中进行了强制公路合并场景的决策模块的广泛评估，结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

Oct, 2023

在自动驾驶车辆与其他道路参与者的交互中，应当考虑到不同驾驶员的合作水平以及车辆所处的位置，本文提出的基于多智能体强化学习的交互感知决策方法能够在合并场景下自适应地与其他参与者协商行驶方案，并且可以自动推断其他驾驶员的行为并作出策略性决策。

Apr, 2019

本文针对多智能体环境下自主驾驶车辆行驶安全和效率平衡问题，提出了以自我博弈为基础的对抗生成网络和分布式鲁棒型优化方法，实验结果显示我们的方法能够在自主驾驶赛车中取得较好的性能和鲁棒性。

Mar, 2020