“随着过去几年自动驾驶技术的进步，我们注意到一些驾驶操作（例如在无人保护的十字路口左转，改变车道或在拥挤的高速公路上并线）对于自动驾驶仍然充满挑战，而人类却可以很容易地执行它们。我们认为，这些互动涉及自动驾驶汽车与其周围汽车之间的重要协调。”进行这项研究的研究人员西蒙·勒克莱赫（Simon Le Cleac'h）表示。

人类通常能够了解周围其他司机驾驶车辆的目标，并进行决策，例如谁在给定的十字路口先行驶。在该项研究中，Le Cleac'h和他的同事试图在自动驾驶汽车中复制这种能力及其基础的复杂行为。他们的总体目标是使自动驾驶汽车能够确定周围其他车辆的目标，以便规划更合适的轨迹。

研究人员表示：“我们的研究结合了两种主要的工具，一个是基于博弈理论的算法，一个是估计技术。基于博弈理论的组件在自动驾驶汽车的目标与其他代理（如其他车辆、行人、骑行者等）的目标不一致时，能够推理出其与其他代理的互动内容。另一方面，估计技术能够让自动驾驶车辆在与其他代理互动时，迅速发现其他代理隐藏的目标，例如，所期望的车速、所期望的行驶车道、互动车辆的攻击性等。”LUCIDGames技术旨在让自动驾驶汽车能够迅速识别周围车辆和行人的目标，让其能够预测到其他代理未来的动作，并在其他代理周围安全行驶，即使在复杂的驾驶场景下也能如此。

该系统由一个估计器（识别驾驶员目标的技术）和一个决策器（控制自动驾驶转向角度与加速的算法）组成，决策器可以根据估计器收集的信息识别最适合车辆的行驶轨迹。

研究人员解释道：“一开始，自动驾驶车辆并不知道周围其他车辆的目标，因此估计器能够猜测此类目标。每猜一次，自动驾驶汽车就能够预测接下来几秒其他车辆的轨迹，然后将预测内容与真实情况进行比较，预测最准确的内容就会被保留下来。”

在经过初级训练后，LUCIDGames会重新猜测与此前猜测接近的其它代理的路径，并评估其预测性能。通过每秒重复几次该过程，该技术能够改进猜测内容，并最终猜测出周围其他代理如何移动。

研究人员表示：“利用该技术，自动驾驶汽车也能够清楚何时对自己的猜测有信心，何时不太确定，信心降低。在不确定的情况下，自动驾驶汽车会采取更谨慎的行动，并与其他车辆保持更大的安全距离。”

该技术的预测组件能够让自动驾驶汽车根据驾驶员在街道上遇到的事件类型调整自己的决策。例如，该组件能够确定是否一位驾驶员的行为很有攻击性，从而能够让决策组件相应地调整自动驾驶汽车的轨迹和移动，例如让自动驾驶汽车与具攻击性的驾驶员保持更大的安全距离。没有此类预测技术，不管周围的驾驶员小心翼翼还是具有攻击性，自动驾驶汽车都会执行一样的操作，从而会增加发生事故的风险。

未来，LUCIDGames能够提升自动驾驶汽车的安全性与可靠性，让自动驾驶汽车通过预测周围环境中其他代理的移动和行动，调整自己的移动。截至目前，研究人员只评估了该技术在仿真场景中的性能，现在正计划将其应用于真实的自动驾驶汽车，以进行测试。