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

这篇文章研究了采用包含最新的人类感知、决策 - making 和运动控制理论的新颖认知似然模型 --Commotions 模型用于预测人类在交通互动中的行为，展示了此模型在自然情景数据集中与数据驱动模型相竞争甚至胜出，证明了吸纳认知理论在自动驾驶行为预测模型中的巨大潜力。

May, 2023

该研究提出了使用主动推理的一种新型车辆跟随建模方法，该方法具有与数据驱动的模型相当的行为灵活性，同时保持可解释性。通过基准分析，该模型被证明可以显着地预测驾驶控制，并表明需要进一步研究以建立行驶风格并利用更多样化的数据集进行模型训练。

Mar, 2023

基于自由能最小化原则的主动推理理论，提出了一个输出 - 概率、时间预测、模块化人工神经网络结构，能够处理感觉运动信息，推理与行为相关的世界方面，并调用高度灵活、目标导向的行为，其中包括利用形成的地形图灵活驾驶、避免障碍和选择通往目的地的路径。另外，研究表明该学习代理适用于进行零样本推广，适用于不同地形的环境。

Feb, 2022

通过动态规划，我们指的是人脑推断和施加与认知决策相关的运动轨迹的能力。最近的范式 —— 主动推断，为生物有机体的适应提供了基本见解，不断努力减小预测误差以限制在适合生活的状态中。在过去的几年中，许多研究表明，人类和动物行为可以用主动推断的过程来解释，无论是作为离散决策还是连续运动控制，这激发了机器人技术和人工智能领域的创新解决方案。然而，文献对于如何在不断变化的环境中有效规划行动仍缺乏全面的展望。本研究以建模工具使用为目标，深入探讨了主动推断中的动态规划主题，牢记生物目标导向行为的两个关键方面：理解和利用物体操纵的作用机会，以及学习自身与环境（包括其他代理者）之间的分层交互。我们从一个简单单元开始，逐渐描述更高级的结构，比较最近提出的设计选择，并为每个部分提供基本示例。本研究与传统的神经网络和强化学习的观点不同，指向主动推断中尚未开拓的方向：分层模型中的混合表示。

Feb, 2024

主题：积极推理，自适应行为，决策制定，可持续资源管理和环境动态；总结：积极推理可在面对环境变化时产生可持续、有韧性的行为，并对可持续行为的理解和塑造具有潜力。

Jun, 2024

本文使用模拟平台进行了复杂的交通仿真实验，针对连通与自动驾驶汽车的驾驶行为进行了建模，并分析了多种人为与机制相关的因素对交通网络的影响。

Aug, 2022

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

本研究提出了基于动态贝叶斯网络的概率性交通预测模型，结合马尔科夫模型和上下文感知的车辆运动模型，可以更精准地预测未来的交通路径和解决交互问题。相较于基于物理学和地图的方法，该模型表现更加优越。

Apr, 2018

讨论自动驾驶车辆如何通过基于层次逆强化学习的概率预测方法，准确预测周围车辆的行为并进行规划，以此应对人类行为的不确定性和交互作用。

Sep, 2018