点击上方蓝字谈思实验室

获取更多汽车网络安全资讯

/ 导读 /

arXiv论文“Social Interactions for Autonomous Driving: A Review and Perspective“，2022年8月，来自加拿大的McGill大学和Toronto大学，以及美国的CMU。

没有人在真空中驾驶汽车；她/他必须与其他道路使用者协商，以实现他们在社交交通场景中的目标（goals）。理性的人类驾驶员可以社会兼容的方式与其他道路使用者交互，在交互密集、安全-紧要的环境中顺利完成他们的驾驶任务。

本文旨在回顾现有的方法和理论，帮助理解和重新思考人类驾驶员之间的交互，从而实现社会自主驾驶。这项综述为了寻求一系列基本问题的答案：1）什么是道路交通场景中的社会交互？2） 如何衡量和评估社会交互？3） 如何建模和揭示社会交互过程？4） 人类驾驶员如何在社会交互中达成隐性协议并顺利协商？

本文回顾了建模和学习人类驾驶员之间社会交互的各种方法，从优化理论和图模型（graphical models）到社会力理论和行为认知科学。还强调了一些新的方向、关键挑战以及未来研究的开放性问题。

人类可以被训练成具有强大社会交互能力的卓越驾驶员。在现实世界的交通中，理性的人类驾驶员可以通过使用非语言通信（如手势，向另一辆车挥手让路）、指示语（如使用转向信号灯指示意图）等有效地与周围环境协商，在复杂和拥挤的场景中做出与社会兼容的决策，以及运动线索（例如加速/减速/转弯）。

理解复杂交通场景中人类驾驶员之间动态交互的原则和规则，可以 1）利用对他人行为或反应的信念和期望，产生不同的社会驾驶行为；2） 预测具有移动目标场景的未来状态，对于构建可能安全的智能车辆至关重要，其具有行为预测和潜在碰撞检测的能力；3）创建逼真的驾驶模拟器。

然而，这项任务不简单，因为从交通心理学家的角度来看，在驾驶交互过程中存在各种社会因素，包括社会动机、社会感知和社会控制。一般来说，人类驾驶行为由人类驾驶员的社会交互和与场景的物理交互所构成。

由于人类之间的连续闭环反馈，社会交互比物理交互更加复杂，并且存在许多不确定性。社会交互可能只需要简单的决策，直接将人类感知映射到行动，而无需具体的推理和规划（例如，刺激反应、反应性交互、跟车）。社会交互也可能需要复杂的决策，通过预测其他智体的行为并评估所有可能替代方案的影响，迫使人类驾驶员谨慎地决定备选方案中的行动（例如，让路或通过）。

另一方面，人类驾驶员可以通过显式通信相互交流，例如使用手势和闪光灯。然而，在实践中，明确的沟通选项并不总是可用或最有效。在许多情况下，人类驾驶员更喜欢使用隐式而非显式通信来完成交互交通场景中的驾驶任务。

• 交通规则并不总是规定驾驶行为。例如，当驾驶员打算在拥挤的交通中改变车道时，交通法只禁止碰撞，但没有具体说明驾驶员应如何与他人合作或竞争以形成空档。社会规范通常主导这种交互行为。
• 人工驾驶不严格遵守交通规则。如图说明了现实生活中经常发生的交互场景。一名经验丰富的驾驶员（红色）打算通过十字路口，但其领路车正在等待左转。驾驶员可以越过白色实线并从右侧通过超车，节省行驶时间。虽然这种行为稍微违反了交通规则，但却提高了交通流效率。

• 理解并适应他人的社交和运动线索。这将AV视为信息接收器，使其在功能上安全高效。例如，如果没有认识到其他驾驶员的攻击性水平，将使AV不安全或过于保守。
• 提供可识别、信息丰富的社交和动作线索。AVs视为信息发送者，其他人类驾驶员能够感知和理解AVs行为，从而能够进行安全有效的工作。例如，在让行和通过之间犹豫的AV会搞糊涂其他道路使用者，导致事故或交通堵塞。

• 潜在冲突检查

• 感兴趣区域设置

• 以场景为中心。确定地图上的RoI，并将该地区的所有人类驾驶员视为交互智体。该方法通常用于预测和分析特定交通区域（如城市交叉口和环岛）中的多智体驾驶行为。在这些情况下，研究人员在地图上确定了涵盖此类场景的RoI，并假设占据RoI的所有驾驶员都会相互影响。
• 以智体为中心。将RoI与一个感兴趣的智体（即自智体）连接起来。这种方法通常用于研究自智体与其周围智体的交互行为，例如高速公路上的车道变换行为。RoI的形状有多种选择。例如，在研究高速公路上的车道变换交互行为时，通常将矩形区域连接到自车并设置为RoI。

• 面向任务的智体选择

如图是人类驾驶员之间交互建模和学习的方法概述：包括基于理性效用的模型、基于深度神经网络的模型、基于图模型、社会场和社会力以及计算认知模型。

基于理性效用的模型

日常交通中最常见的交互场景是城市环境和高速公路中的跟车、汇入/汇出和换道。研究人员将人类驾驶员视为最优控制器，其具有可访问的目标函数，实现预定义的目标导向（goal-oriented）任务，制定这些场景中的行为。

例如，当在公路闸道上汇合时，将整个过程视为一个显式动态系统，可以将公路上后方车辆对前方车辆的纵向行为（如加速/减速）表示为一个最优控制器。然而，自然交通场景中驾驶员或其他人之间的交互具有物理（例如，运动学和几何）和社会（例如，意图、注意和责任）约束。

通常，基于优化的方法需要特定的目标（例如，车辆之间的期望间隙和车头前进速度）和待优化的目标函数。

本文没有列举所有基于优化的方法，但选择了一些流行的方法，包括基于swarm/flocking的模型、博弈论模型、模仿学习和马尔可夫决策过程（MDP）。

• 基于swarms/flocks的方法

• 博弈方法

• 单智体的MDP
  

• 从人类演示学习驾驶

• 交互编码

• 社会交互的特征表征

• 社会交互编码

• 通过注意编码社会交互

1. 时域注意
2. 智体成对注意
3. 基于空域网格的注意
4. 基于DIA的注意
5. 基于图的注意

• 模型参数学习

基于图模型

日常交通场景中道路用户之间的交互是结构化的；它们随着不确定性的时空动态变化，其中相互关联的部分（例如，智体、道路线、障碍物）在交通规则和社会规范的约束下组织和演变。事实上，基于图的模型为处理交互行为的复杂性和不确定性提供了一种自然工具。

图模型提供了一个直观的界面，研究人员可以通过该界面对高度交互的变量集和数据结构进行建模。此外，基于图的模型通常可以解释为人类主体之间的结构化关系。使用图模型，能够设想针对特定环境的新模型。例如，图神经网络将其节点（顶点）指定为人类智体、实例或决策相关状态，并将节点之间的边缘（弧）指定为交互，例如智体的速度和相对位置。

如图提供了一个案例，以图方式表示智体之间的交互关系，其中行为随时间演变。

以下是三种基于图的交通场景交互建模方法：图神经网络、贝叶斯动态网络和拓扑模型。

• 图神经网络

用于交通智体交互的基于GNN模型，有不同的名称，例如交互图、智体图、场景图或交通图。本文统称为交互图。

在该模型中，交互场景中的N个智体通常由具有N个智体节点（也称为顶点）和N×N条边缘的图表示，这些边缘表征它们之间的交互。交互图可以具有一些节点属性（例如人类驾驶员的状态）和边缘属性（例如，人类驾驶员之间的关系）。除了将人类智体视为图节点外，其他特征，例如潜目标位置（例如，车辆之间的插入区域）也可以视为图节点。

设计的图结构可以是静态的或动态的。借助动态图，模型可以利用图关联结构的不同交互和不同的模型输入。在创建高效的交互图之前，应考虑一些相关问题，包括：

• 如何使交互图能够捕获智体在空域和时时域的依赖关系？
• 如何使学习的交互图可转移？
• 如何使交互图适用于交通中的异构智体？
• 如何将环境信息整合到交互图中？
• 如何使交互图与任意数量的智体兼容？
• 贝叶斯动态模型

贝叶斯网络是一种概率图模型（PGM）。通常，PGM被用作一种标准图工具，用于计算具有高度结构的大概率分布。与基于GNN的交互模型不同，BNs的节点表示随机变量（例如，具有噪声或离散机动的智体状态或传感器信息），边缘表示条件概率分布中节点之间的随机因果关系。这些依存关系可以用有向无环图进行示意性表示，依赖的结构通常反映分层生成过程，类似于条件行为预测。普通BNs提供了一个概率图架构，该架构明确描述了单个时间片上智体之间的因果依赖关系，但不包括时间依赖关系，如图（a）所示。

动态贝叶斯网络（DBN）作为一种贝叶斯动态模型，是一种BN，包括节点的时间依赖性，简单地说，随着时间的推移重复普通BN的依赖性结构，如图（b）所示。DBN节点在这些时间片上的某些依赖性通常被视为交互的时间动态。

作为一般框架，DBN适用于智体交互，建立描述不确定动态过程的概率模型。在应用中，DBN中的时间依赖性通常被实现为确定性递归过程（如RNN）或一阶马尔可夫过程（如状态空间模型）。从这个角度来看，一些SSM和RNN可以被视为DBN的特殊情况。

在实际交通中，道路使用者的交互行为是非线性的、上下文相关的，并随时间演化。观察的传感器状态，是其内部模型（例如，潜/隐藏状态）的生成和实现，通常是不可测量的。

基于BN的交互模型是一个强大的工具，可以以结构明确的方式捕获复杂的交互，包括物理约束、不可观测状态和观测的不确定性。通常，使用DBN对交互进行建模可进行可靠的长期预测，因为其动态地考虑人类驾驶员的运动和决策之间的相互影响（或相关性）。

然而，模型性能在很大程度上取决于模型假设的正确性。例如，具有风险最小化假设的基于DBN模型，无法正确捕捉实际危险交通情况下的条件行为。另一方面，DBN的计算复杂度会随着交互场景中涉及的智体数量的增加而呈指数增长。因此，目前DBN基于现有数据集进行离线评估和实验室测试。

贝叶斯非参数动态网络可以从多变量连续观测中自动学习相关模式，而不需要模式数量的先验知识。尽管贝叶斯非参数动态网络能够提取构成连续行为的基本元素，但还不能直接揭示人类驾驶员在奖励和行为方面的动态决策过程。这是因为他们的基本动态模型（如HMM、SSM）没有考虑奖励和动作。

• 拓扑模型

在交互场景中，人类是通用智体；人类行为解释的机制是目的论（teleological）。此外，人们的决策受益于其构建的心理表征，如拓扑结构，在复杂的交互中取得成功，有效地简化了推理。因此，人类将其观测抽象为高层嵌入，是不变、可共享和可重用的交叉交互场景和行为。那么，如何定义和查找这些嵌入？

尽管贝叶斯非参数动态网络可以在低粒度提取基元来分析高维序列，但不能考虑多智体交互的行为和几何结构以及目的性推理。对于多智能体行为，自然会提出两个基本问题：

• 是否有一种方法可以从代数和几何上将任何复杂的、时空多智体交互行为编码为紧凑表示？
• 是否有一种措施可以识别智体轨迹保持拓扑的变形？

拓扑模型为这两个问题提供了初步解决方案，可以将结构化信息转化为抽象形式。经常使用两种拓扑模型：第一个问题的拓扑编织和第二个问题的拓扑学不变性（topological invariance）。

社会场和社会力

在模拟复杂（例如，环境、内部和社会）运动激励下的人类驾驶交互时，在感知道路边界和人行道等交通环境时，必须考虑人类大脑中主动产生的虚拟力。另一方面，考虑其他人类驾驶员对社会驾驶规则的影响也同样重要。例如，当人类驾驶员接近交叉口并在无保护情况下左转时，看到一辆激进前行的车辆，驾驶员将在碰撞之前改变其决定。在这个过程中，前来的车辆不会向自车施加接触力，但人类驾驶员的反应就像存在力一样。这种不存在但可以直观地描述和解释社会交互的虚拟力是社会力模型。

此外，力是所有交互和运动的支配和统一因素，基于社会力的奖励设计可以改善多机器人导航的交互性能。因此，可以合理地假设，与人类驾驶员相关的运动（例如，前移和转向）由人类内心产生的虚拟力（例如，内部动机、期望速度和目的地）和外部约束（例如，交通管制、障碍物和运动智体）控制和驱动。

从场和势的另一个角度来看，人类驾驶员跟随车道并与其他车辆交互的根本原因是驾驶员将自己限制在交通环境和其他因素影响形成的场中。人类驾驶员通过平衡成本和回报来生成轨迹并采取行动，这导致以势场（potential field）为特征的总效用。虚拟力迫使人类智体向较低的场值移动，类似于物理学中电场中的带电粒子。在讨论社会力时，相应积分如势、场和能量等无法避开。

另一方面，如图所示，人驾驶车辆的运动状态（即速度和位置）是从随时间变化的加速度得出的。因此，直接学习加速度可以捕捉到社会力的相同交互效应。

在物理学中，物理量（例如速度、温度、电和磁）在特定空间区域中的分布称为场（field）。类似地，交通相关量（如感兴趣区域中的风险或安全水平）的分布被称为风险或安全场，称为安全旅行场（Safe Travel Field）。场论提供了一个统一的框架来描述环境约束和碰撞风险，从中可以实现移动机器人的次/最优轨迹和运动规划。人类驾驶员通过感知-动作环路与周围环境交互：实时评估环境的风险水平，预测其他智体的运动，然后对动态环境产生反应。

• 社会场

场论是一个特殊的领域，它揭示在道路行驶时纵向和横向车辆操作交互的潜在机制。相关构造场也用于表示人类驾驶员与交通环境之间的交互。在多车辆交互交通场景中，现有研究采用了许多与场理论相关的不同术语，包括风险场/地图或驾驶员风险场、驾驶风险势场，人工势场，事故风险成本，或驾驶安全场等。虽然使用的术语多种多样，但它们有共同点：人为设计和基于风险信息。社会场分为三类：风险/安全场、潜在场和占用场。

安全行驶区域的特征在于预定义空间上风险值的标量，形成风险场。许多因素会影响风险水平。交通心理学认为，安全旅行场由三个子场组成：人类驾驶员场、其他人类驾驶员场和汽车场本身。然而，他们没有考虑固定交通结构（如道路边缘和车道线）和交通控制（如停车标志和交通灯）的影响。

研究人员首先定性分析人类驾驶员在交互中的典型感知反应，然后设计具有相关约束的每个子场函数。如表1列出了每个子场公式的几种常用核函数，其中大多数是基于高斯的，因为可解释和可微分。

除静态障碍物和道路约束外，所有设计的子场都是动态的，并随时间和空间变化。也有其他替代方法来模拟交互作用。例如，一个简单的想法是使用纯数据驱动的方法，如神经网络，但它们通常缺乏可解释性。

在物理学中，电势和场之间存在显式和直观的关系，例如电场和电势，这里电场是电势相对于距离微分的负数。与具有严格、客观证明和验证的物理定义势不同，安全驾驶势函数是启发式，也是人工设计的，根据专家的见解和对人类驾驶行为的理解。

与风险场一样，势场是几个独立子势场的聚合或加权和。然而，研究人员对势场的定义有不同的看法。一些研究人员认为，移动和非移动目标都会影响势场。

基于场论的方法固有的困难是参数估计。大多数研究人员根据他们对人-驾驶员互动的主观定性判断和评估确定了场参数。选择最优超参很繁琐，这是一个NP- hard问题。虽然估计场参数似乎很难，但通过仔细设计特定驾驶行为的可计算场，已经取得了一些有希望的进展。

一般来说，人类驾驶员之间的交互是复杂的，潜在和风险场的混合可以为特定实现的行为建模提供有效的解决方案。

• 社会力

这里不讨论人类驾驶员与其他类道路使用者（即行人、骑自行车者和摩托车者）的交互；相反，只关心道路人类驾驶车辆之间的交互。

在自然交通场景中，复杂的传感器激励（即内部、环境和社会）会带来行为反应，该反应取决于人类驾驶员的目标（aims），并从一组行为备选方案中选择使效用最大化。理性和有经验的人类驾驶员通常会根据其大脑习惯适应他们熟悉的情况；因此，驾驶员的反应是相对自动的，并由他们的经验决定哪种反应最好。

在这样的观点下，研究人员通过一个被称为社会力的向量化，从数学上恢复了行为规则和人类主体之间的影响。人类主体和物理限制之间产生的社会力是导致行为变化的根源，通常由三种内部、环境和社会激励相对应的力组成：自驱动力、排斥力和吸引力。

这三类力来自行人或人群，基本上涵盖了交通中交互驾驶行为的所有基本社会力。然而，由于行人和车辆之间的差异，有必要修改这些力，使其适合特定应用。例如，由于物理限制，对车辆加速度和角速度的限制必须比行人更严格。

此外，社会力量允许将环境物理约束和交互行为的领域知识转化为个人的动态模型。虽然简单设计复杂的社会力模型听起来很合理，但它通常不会像预期的那样起作用。通用建模过程是一个循环和迭代过程，包括原型设计、参数调整、基于仿真的评估、参数标定以及基于数据和仿真的评估，如图所示。

标定一个良好的社会力模型并非易事，因为（i）大多数模型参数没有可直接测量的当前具体解释-其中大多数是抽象意义，（ii）一个单一参数通常会影响驾驶行为的许多方面，尽管社会力模型被假设为几个独立的子力模型的组合，以及（iii）驾驶行为的特定方面由一个以上参数产生。

大多数现有的社会力模型在没有具体解释的情况下以启发式和主观方式标定模型参数。没有唯一的标准方法来调整这些参数或使用数据驱动技术进行模型标定。幸运的是，存在一些方法来标定行人和车辆行人的社会力模型。

当使用数据驱动技术进行标定时，研究人员通常将模型参数分为两类：可测量和不可测量。可测量参数可通过传感器直接获得，或通过统计数据分析和车辆的物理限制（如最大转向角和加速度）进行标定。而对于不可测参数，需要使用曲线拟合算法和遗传算法非线性规划。

受加速度和力之间关系的启发，直接学习加速度是产生社会力的一种替代方法，而不是通过场论估计智体之间受影响力。

计算认知模型

认知机制是使人类驾驶员通过隐式通信安全有效地与其他理性主体交互的强大属性之一。所有捕捉人类驾驶员交互的方法都有相关的行为基础，并得到行为和心理行为认知的支持。因此，认知理解交互是设计有效交互建模方法的前提。解决认知科学前沿的基本问题，将是在社交道路上实现社会兼容自主驾驶的一个解决方案。

现有关于认知模型的研究大多集中于个体的驾驶行为，而不是主体之间的交互。它们特别适用于建模单个智体在较高级别和较低级别行为之间的关系。

在交互过程中，驾驶员需要主动和被动地感知其周围的车辆，根据其先验知识对其他车辆的当前行为以及自车预期的未来潜行为作出反应，并最终根据其对环境判断的信念做出有效决策。受交互过程的启发，这里试图从自车驾驶员的角度回答一些基本问题：

• 1.驾驶员会如何响应他人的行为？
• 2.驾驶员如何理解他人的行为？
• 3.驾驶员如何感知，即处理感知信息，去做出决策？

上述三个问题中的每一个都可以用一个特定的（但不是唯一的）认知理论来解释。

• 激励-响应

基于此，许多经典的交互模型被开发来解释人类驾驶员，例如经典的跟车模型以及变道交互模型。激励-响应交互归类为简单的社会交互（例如，跟车行为中的反应性交互）。

• 心理理论

人类是天生的读心术；人类驾驶员天生就具有将自己置于其他驾驶员的位置并对其行为和意图进行推理的能力。与人工机器不同，心智理论（ToM）描述了人类与其他人类主体交互能力的一个基本属性，即人类可以对其他人类主体的心理状态和行为进行推理。

一个经典的认识是人类通过镜像神经元的能力，即将自己置于他人的位置的能力，能够更好地与环境交互，并更有效地与同伴合作。例如，在高速公路上理性的人类驾驶员通常会留出空间，让路给试图合并的闸道车辆。

在交通心理学中，ToM广泛指的是人类驾驶员在没有明确沟通的情况下代表他人心理状态的能力，包括他们的欲望、信念和意图。

如图（a）和（b）比较了ToM和IRL/RL的结构，并表明可以在IRL/RL结构下指定ToM。蓝色箭头表示人类的心理状态推断（即在某些观察行为下，推断人类不可观察的信念和愿望），这与IRL中的问题相对应（即，根据一些观察策略执行，推断出智体的世界不可观察模型和奖励函数）。此外，ToM可以将人类心理形式化，即给定观察行为不可观察变量（即信念、欲望和感知）的贝叶斯推理，这是行为的生成模型。

如表2还说明了ToM、IRL/RL和贝叶斯ToM的核心组件之间的联系。

另一方面，ToM还提供了博弈论方法和假设，使它们在建模交互时计算上易于处理。

• 信息积累机制

漂移扩散模型（DDM）是一种具有扩散（Diffusion）信号的顺序采样模型。决策者积累证据，直到达到上限或下限，然后停止并选择对应于该边界的备选方案。

一个典型的例子是在无信号环行交叉口汇入交通流时的决策过程。驾驶员在附路的环形交叉路口等待，直到目标“间隙”达到可接受程度。等待时间是驾驶员做出汇入风险决策的概率累积指标：等待时间越长，做出的风险决策就越大。许多现有的工作只关注驾驶员将做出什么决策，例如行为建模和预测，而较少关注该过程如何操作，以及随着观察到越来越多的信息去触发决策。

请注意，为了揭示做决策时如何使用感知信息（即感知决策），行为科学中通常存在四种决策理论：理性模型、完善理性、证据累积和并行约束满足模型。然而，到目前为止，只有证据积累被用于解释交通场景中的人类驾驶行为。

讨论

一些问题和可能的方向：

1 社会交互模型是真得社会觉察吗？

2 模型假设和数据集之间的移动

3 认知科学能帮助自动驾驶车做到社会兼容？

4 轨迹预测模型越精准就越好吗？

总结一下：

• 道路交通的交互：什么角色？什么时候？

其中提到三种方法：潜在冲突检查、RoI设置和面向任务的智体选择。

基于潜在冲突的方法将低估交互，因为根据潜在冲突定义，例如智体之间的通行权。然而，驾驶过程中的一些社会交互并非源自潜在冲突，而是源自凝聚力。例如，一个好斗的司机会模仿他/她前车的行为，在十字路口面对黄灯时采取机会主义行动向前冲。

应该强调的是，潜在冲突的方法不会将其视为一种交互。如果假设占据RoI的所有智体都相互作用，则RoI方法可能会高估交互作用。在自然交通中，并非RoI中的所有智体都在交互网络中激活；相反，人类驾驶员可能仅与某些智体直接交互。

此外，RoI的大小通常也难以配置，因为它与任务和环境相关。面向任务的智体选择是模拟人类驾驶员如何交互的理想方法。然而，建立这种类型的模型具有挑战性，因为交互过程的了解很少是先验的。此外，人类在决策过程中的选择性注意是动态和随机的），这需要时域适应的模型。

• 基于理性效用的建模

理性人类驾驶行为是对动态环境做出响应的所有可能解决方案中“接近最优”或“最优”结果。这一观察结果，能够将人与人之间的交互表述为一个可计算的优化模型，最大化特定的目标。另一种流行的行为优化方法是速度障碍（VO，velocity obstacles），用于模拟人类驾驶交互同时保证无碰撞，该方法已广泛应用于多机器人领域。该方法成功地模拟异构交通环境中的交互和交通轨迹的预测。

基于优化的方法在分析上可以解释，在数学上可以证明，包括不同的约束以避免碰撞。然而，对于具有满意计算性能的在线应用程序来说，解决此类复杂优化问题将是一个挑战。

• 基于神经网络的建模

基于深度学习的方法提供了一种灵活的网络架构，用于表示和学习交通智体之间的交互，得益于模块化的层结构和丰富的数据。基于深度学习的方法已经通过许多与驾驶相关的挑战、竞赛和排行榜中占据领先地位而显示出其力量和前景。未来，为了在真正的自主驾驶系统上安全地大规模部署，仍然存在许多挑战，例如（i）在保证性能的同时提高可解释性，以及（ii）在各种驾驶实体、场景和情况下增强通用性。

• 基于图的模型建模

人类驾驶员之间学习的时空交互可以将节点作为矢量化时空特征的图模型来推理车辆关系。虽然GNN和带有张量融合的社交池化可以方便地使用辅助信息以端到端的方式训练网络，但它们无法确保所需的物理或社会因素是否被实际捕获和学习（即缺乏可解释性）。

大多数用图模型进行多智体行为和轨迹预测的工作，都是通过仔细采用这些预测来实现社会兼容自主车辆的安全路径规划和控制设计。然而，当其应用于人类驾驶-自主驾驶的混合环境时，在没有自主智体的情况下，所导出的交互模型准确性是值得怀疑的，因为人类驾驶员可能对自动驾驶汽车有不同的行动。这些模型忽略自主系统对人类智体的影响。此外，GNN提供了直观的理解，但在数量上并不精确，这不足以用于安全-紧要应用，如自动驾驶。

• 社会力和社会场的方法

借用物理学中场的概念（例如，电学理论中的电场或磁场）来创建一个驱动自身的虚拟场，一种在几个方面与社会因素相结合、相当特殊的场。社会场和社会力提供了一个概念上统一的框架，解释不同场景中的驾驶员行为，因此可以用于风险评估、最优控制、行为预测和路径规划。

此外，它们还可以灵活利用其他交通因素。基于场论的模型通常是根据研究者对人类驾驶行为的主观认知和理解，通过定量分析建立的。因此，可以利用许多因素，例如道路属性（例如直线和曲线道路）、交通条件、车辆属性（例如形状和质量）和人为因素（例如驾驶员的注意）。

理论上，基于场的模型可以处理复杂的场景，但仅在简单的交互场景中得到验证，例如，两个智体之间的车辆跟随和变道交互，这是由于大量的标定工作造成的。

生成场的元素更具选择性。并非环境中的所有元素和智体（部分元素和智体）都对任务性能有显著影响。这是因为主导运动和驾驶任务的相关元素出现，而非相关元素通常会远离到背景中。

此外，根据两个人在交互的角色，他们之间的影响可能是不对称的。例如，周围的车可能是领头车、停放车、尾端车、汇入车等，它们对自车的潜在影响是不同的。每一类汽车可能共享相同的势场，从而形成更紧凑的势场模型。

安全旅行场本质上是客观或和主观的表征。一些研究人员将驾驶风险场视为一个物理场，并声称这是一个客观特征，不会随个人的主观意愿而变化。从“上帝的角度”来看，这可能是正确的——如果从鸟瞰的角度分析互动行为的话。

然而，如果从第一人称角度分析自车的交互行为，并考虑社会因素，这个结论可能是错误的。该场是人类驾驶员主动和被动感知的风险场，反映了人类驾驶员在社会互动中的行为和反应，因此本质上是一种主观表征。

• 计算认知模型

计算认知为理解人类驾驶员之间社会交互中各种认知功能的本质提供了新的视角。借鉴认知计算神经科学的思想和发现，一些工作解释人类驾驶员在交互中的决策过程。

然而，一方面，现有方法通常提供过多的细节，例如，描述低级神经现象，使模型显得过大。另一方面，有些方法过于简单，在实践中难以处理，例如，仅在实验室环境中进行测试，缺乏复杂驾驶环境中的原则性调查，或提供决策的高级认知结构。因此，在实时预测人类驾驶行为中实现这些机制的主要实验室机制和实际应用之间存在着挑战性的差距。

• 讨论

很多交互模型未能调查对抗性鲁棒性，没有从社会理解的角度评估这些模型与社会行为的一致性。社会理解可以揭示当前模型的局限性，从而提供未来可能的方向。

在许多交通应用中，模型鲁棒性仍然是一个核心问题。这可能是由设计模型和生成数据之间的不匹配造成的，包括两个方面。

• 交互模型设计以目标为导向，但人类驾驶员产生的行为主要是习惯性的。这种行为最初是以目标为导向的，但后来在整个体验中形成习惯。例如，一个新的驾驶员用一系列由教师制定的具体子目标来规划行动。然后，驾驶员消化这些步骤并将其转化为习惯，无需设定这些特定的子目标。基于习惯生成的数据集来训练目标导向模型，可能会削弱模型的泛化能力。对于模型假设和数据之间的飘移，一种可能的解决方案可能是，制定基于模型和无模型的框架。
• 交互模型设计是社会导向的，但行为数据是通过物理交互和社会交互混合生成。在开发交互模型时，大多数工作直接建模其交互轨迹，例如使用图神经网络（GNN），但忽略了对交互行为产生的原因和方式的洞察。反事实（Counterfactual）仅使用社会交互假设模型来近似社会和物理交互行为。

因此，深入了解相关数据，为AI算法提供动力，可能是自动驾驶车辆具有社会兼容性和鲁棒性的关键之一。

完美的自动驾驶需要超越路径跟踪、目标检测和防撞的直觉心理。由于技术障碍和社会障碍，没有直觉心理的自动汽车等路上无意识机器，与其他人类驾驶员共享道路空间还为时过早。

社会兼容的自动驾驶车辆应能够发现其他人类智体的心理状态和看法，与其他道路使用者进行安全和可接受的交互。换言之，最终目标是制造像理性的人类驾驶员一样思考和学习的自动驾驶汽车。

然而，在他们学习的内容和学习方式方面，真正类似人类的学习和思考能力超出了当前的工程动态。社会兼容的自主驾驶，迫使开发有效的工具，用结构化计算认知模型的观察来解释和理解潜在的决策过程。

智体行为预测和推理已被公认为安全-紧要交互系统设计中不可或缺的一部分；例如，在人类环境中进行协商的自动驾驶车辆，需要在其规划和决策中利用人类驾驶车辆的未来行为。

更多的工作热衷于在复杂场景中对移动车辆进行更高精度的轨迹预测。在实践中，需要仔细考虑“模型需要多精确才能成功交互”，而不是盲目追求轨迹预测的准确性，有必要考虑人类认知和行为的哪些方面对交互性能影响最大。

对于不同的实际任务，进行非常高精度的轨迹预测可能不会有利于整个交互性能，尽管它可能有利于低级控制器的设计。人类驾驶员的预测可能不如机器（例如，自动驾驶车辆）准确，但他们仍能进行有效的交互。

• 结论

了解人类驾驶员如何与他人交互是开发社会兼容自动驾驶车辆的一个核心问题。随着自动驾驶车辆在社交道路上与其他人类智体的交互越来越紧密，有定量模型来预测这些交互行为变得越来越重要。

本文首先明确定义了道路交通中的社会交互。然后，它不可避免地对人类驾驶员和相关应用之间的交互作用进行了选择性回顾，包括基于理性效用的模型、基于深度学习的模型、图模型、社会场/力和计算认知模型。最后提出了关键的发现和开放的问题，这可以为自动驾驶车辆与人驾驶车辆的交互提供新的方向。

来源：智车科技

END

微信入群

谈思实验室专注智能汽车信息安全、预期功能安全、自动驾驶、以太网等汽车创新技术，为汽车行业提供最优质的学习交流服务，并依托强大的产业及专家资源，致力于打造汽车产业一流高效的商务平台。

每年谈思实验室举办数十场线上线下品牌活动，拥有数十个智能汽车创新技术的精品专题社群，覆盖BMW、Daimler、PSA、Audi、Volvo、Nissan、广汽、一汽、上汽、蔚来等近百家国内国际领先的汽车厂商专家，已经服务上万名智能汽车行业上下游产业链从业者。专属社群有：信息安全、功能安全、自动驾驶、TARA、渗透测试、SOTIF、WP.29、以太网、物联网安全等，现专题社群仍然开放，入满即止。

扫描二维码添加微信，根据提示，可以进入有意向的专题交流群，享受最新资讯及与业内专家互动机会。

谈思实验室，为汽车科技赋能，推动产业创新发展！