Characterizing Lane-Changing Behavior in Mixed Traffic
作者: Sungyong Chung, Alireza Talebpour, Samer H. Hamdar
分类: cs.MA, cs.GT, cs.RO, eess.SY
发布日期: 2025-12-08
💡 一句话要点
提出博弈论框架，分析混合交通中自动驾驶车辆变道行为的合作与缺陷，揭示社会困境。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 混合交通 变道行为 自动驾驶车辆 博弈论 社会困境
📋 核心要点
- 现有方法难以充分理解混合交通中自动驾驶车辆变道行为的复杂交互，尤其是在不同市场渗透率下。
- 本研究提出基于博弈论的框架，分析主动和被动车辆在变道过程中的合作与缺陷行为，量化车辆的效用。
- 实验结果表明，合作型自动驾驶车辆比例高于人工驾驶车辆，且重复博弈能促进合作行为的演化，降低社会困境。
📝 摘要（中文）
本研究旨在刻画和理解混合交通中自动驾驶车辆（AV）存在下的变道行为，这对于确保安全和效率至关重要。因此，本研究旨在描述变道车辆（主动车辆）与目标车道中受该操作直接影响的车辆（被动车辆）之间的交互。利用来自Waymo Open Motion Dataset（WOMD）的真实世界轨迹数据，本研究探索了变道行为的模式，并深入了解了这些行为如何在不同的AV市场渗透率（MPR）下演变。特别地，我们提出了一个博弈论框架来分析混合交通中的合作和缺陷行为，并将其应用于WOMD中观察到的7636个变道事件。首先，我们利用k-means聚类将车辆分类为合作型或缺陷型，结果表明，在主动和被动角色中，合作型AV的比例均高于HDV。接下来，我们共同估计主动和被动车辆的效用，以使用量化响应均衡框架对它们的行为进行建模。然后，基于这些效用构建经验收益表。使用这些收益，我们分析了社会困境的存在，并使用进化博弈论检验了合作行为的演变。我们的结果表明，主动和被动车辆的变道事件中分别约有4%和11%存在社会困境，其中大多数被归类为猎鹿博弈或囚徒困境（很少观察到斗鸡博弈）。此外，蒙特卡罗模拟结果表明，无论AV渗透率如何，重复的变道交互始终会导致合作行为随着时间的推移而增加。
🔬 方法详解
问题定义：本研究旨在解决混合交通环境下，如何量化和理解自动驾驶车辆（AV）与人工驾驶车辆（HDV）在变道过程中的交互行为，特别是合作与缺陷行为的比例，以及这些行为如何随着AV市场渗透率（MPR）的变化而演变。现有方法难以准确捕捉车辆间的策略选择和社会困境，缺乏对合作行为演化趋势的分析。
核心思路：核心思路是利用博弈论框架，将变道行为建模为主动车辆（变道者）和被动车辆（目标车道车辆）之间的策略博弈。通过量化车辆的效用函数，分析其行为选择，并构建经验收益表，从而识别社会困境的存在。此外，利用进化博弈论模拟重复博弈，研究合作行为的演化趋势。
技术框架：整体框架包含以下几个主要阶段：1) 数据预处理：从Waymo Open Motion Dataset (WOMD) 中提取变道事件的轨迹数据。2) 车辆分类：使用k-means聚类算法将车辆分为合作型和缺陷型。3) 效用估计：联合估计主动和被动车辆的效用函数，采用量化响应均衡（Quantal Response Equilibrium, QRE）框架建模车辆行为。4) 收益表构建：基于估计的效用函数，构建经验收益表。5) 社会困境分析：分析收益表，识别是否存在社会困境，如猎鹿博弈、囚徒困境等。6) 进化博弈模拟：使用蒙特卡罗模拟方法，模拟重复变道博弈，研究合作行为的演化趋势。
关键创新：主要创新在于将博弈论引入到混合交通的变道行为分析中，并结合真实世界轨迹数据进行验证。与传统交通流模型相比，该方法能够更细粒度地刻画车辆间的策略选择和社会交互，揭示合作行为的演化机制。此外，该研究还首次量化了不同类型车辆在变道过程中的合作程度，并分析了社会困境的存在。
关键设计：关键设计包括：1) 使用k-means聚类算法确定合作与缺陷的阈值，需要根据数据分布进行调整。2) 效用函数的具体形式需要根据实际情况进行选择，例如可以考虑车辆间的距离、速度差等因素。3) 量化响应均衡框架中的参数（如噪声参数）需要通过实验进行标定。4) 蒙特卡罗模拟中，需要设置合适的迭代次数和初始合作比例，以保证结果的可靠性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，合作型自动驾驶车辆的比例高于人工驾驶车辆，无论是在主动变道还是被动配合的角色中。社会困境分析发现，约4%和11%的变道事件分别存在于主动和被动车辆中，主要表现为猎鹿博弈和囚徒困境。蒙特卡罗模拟结果显示，重复的变道交互能够显著提升合作行为的比例，且这一趋势不受自动驾驶车辆渗透率的影响。
🎯 应用场景
该研究成果可应用于自动驾驶车辆的决策控制系统，使其能够更好地理解和预测周围车辆的行为，从而做出更安全、更高效的变道决策。此外，该研究还可以为交通管理部门提供决策支持，例如通过调整交通信号灯或车道分配，来促进车辆间的合作，减少交通拥堵和事故发生。
📄 摘要（原文）
Characterizing and understanding lane-changing behavior in the presence of automated vehicles (AVs) is crucial to ensuring safety and efficiency in mixed traffic. Accordingly, this study aims to characterize the interactions between the lane-changing vehicle (active vehicle) and the vehicle directly impacted by the maneuver in the target lane (passive vehicle). Utilizing real-world trajectory data from the Waymo Open Motion Dataset (WOMD), this study explores patterns in lane-changing behavior and provides insight into how these behaviors evolve under different AV market penetration rates (MPRs). In particular, we propose a game-theoretic framework to analyze cooperative and defective behaviors in mixed traffic, applied to the 7,636 observed lane-changing events in the WOMD. First, we utilize k-means clustering to classify vehicles as cooperative or defective, revealing that the proportions of cooperative AVs are higher than those of HDVs in both active and passive roles. Next, we jointly estimate the utilities of active and passive vehicles to model their behaviors using the quantal response equilibrium framework. Empirical payoff tables are then constructed based on these utilities. Using these payoffs, we analyze the presence of social dilemmas and examine the evolution of cooperative behaviors using evolutionary game theory. Our results reveal the presence of social dilemmas in approximately 4% and 11% of lane-changing events for active and passive vehicles, respectively, with most classified as Stag Hunt or Prisoner's Dilemma (Chicken Game rarely observed). Moreover, the Monte Carlo simulation results show that repeated lane-changing interactions consistently lead to increased cooperative behavior over time, regardless of the AV penetration rate.