目前自動駕駛在場景測試中，比如車道匯入場景，往往會預(yù)先設(shè)定好周圍車輛與行人的速度以及軌跡等，比如前車以 60 公里每小時的速度沿車道線方向行駛。然而在真實場景中，場景環(huán)境的數(shù)據(jù)并不能被提前告知，自動駕駛汽車往往還無法根據(jù)周圍環(huán)境中其他車輛和人的動作或運行軌跡，進行自動調(diào)整。

斯坦福大學(xué)的研究人員最近創(chuàng)建了一個名為 LUCIDGames 新項目，這是一種可以預(yù)測和規(guī)劃自動駕駛車輛自適應(yīng)軌跡的計算技術(shù)，它集成了一種基于博弈論的算法和一種估計方法，能夠預(yù)測周圍的事物（代理）在未來會做什么，并在他們周圍安全地做決策，即使在復(fù)雜的場景中也能應(yīng)對自如。

LUCIDGames 通過在遞歸參數(shù)估計框架中建模來解決最優(yōu)逆控制問題。它使用卡爾曼濾波器（UKF）迭代更新其他代理的成本函數(shù)的貝葉斯估計，隨著從其他代理商觀察到的軌跡收集到更多數(shù)據(jù)，在線上改進了該估計。然后，計劃車輛通過規(guī)劃受不確定性橢圓約束的機器人軌跡，來考慮其他代理車輛的貝葉斯參數(shù)估計中的不確定性。該算法假定機器人與環(huán)境中的其他主體之間沒有明確的通信或協(xié)調(diào)。

LUCIDGames 的 MPC 實現(xiàn)以 40 Hz 的更新頻率演示了復(fù)雜自動駕駛場景下的實時性能。實驗結(jié)果表明，LUCIDGames 相對于現(xiàn)有的游戲理論和傳統(tǒng) MPC 規(guī)劃方法，可以提高機器人的性能。

這個系統(tǒng)是由一個“估計器”（一種確定駕駛員目標(biāo)的技術(shù)）和一個“決策者”（一種決定自動駕駛車輛轉(zhuǎn)向角和加速度的算法）組成。決策者根據(jù)估算器收集的信息確定最適合車輛的軌跡。首先對軌跡進行預(yù)測，然后將其與現(xiàn)實情況進行比較。

經(jīng)過最初的訓(xùn)練后，它將對其他車輛代理的軌跡的新猜測進行采樣，使其接近保留的猜測并評估其預(yù)測性能。每次重復(fù)此過程以完善其猜測，最后得出有關(guān)其他周圍因素如何移動的最終預(yù)測。

通過這種技術(shù)，自動駕駛汽車還可以知道何時可以對自己的猜測充滿信心，以及何時信心較低。在這種不確定的情況下，它將采取更加謹慎的措施，并與其他車輛保持更大的安全距離。

將來，LUCIDGames 有望增強自動駕駛汽車的安全性和可靠性。他們可以通過預(yù)測周圍環(huán)境中車輛的移動和動作來以自適應(yīng)方式移動。到目前為止，該團隊僅在仿真中評估了該技術(shù)。現(xiàn)在，他們還計劃在真正的自動駕駛汽車上進行測試。