不确定性驱动的自博弈：实现鲁棒的多智能体驾驶策略

学习能够泛化到训练域之外的鲁棒驾驶策略，仍然是运动规划中的核心挑战。我们提出了一种不确定性驱动的自博弈方案，其中一半智能体通过增加邻近智能体的认知不确定性获得奖励，另一半则在这些探索型智能体持续寻找其弱点的过程中学习安全驾驶。认知不确定性表明策略在哪些情形下最缺乏信心，并可作为场景难度的自动化代理指标。探索型智能体利用这一信号寻找困难案例，无需手动设计场景即可生成具有挑战性的训练课程。由此得到的策略优于标准自博弈，在无需微调的情况下，向 nuplan Val14（99.12%，对比 97.97%）和 Argoverse 2（82.39%，对比 78.03%）进行零样本迁移时均取得了同类最佳表现，同时在 Waymo 上的性能也优于标准自博弈。我们这种多样性驱动的方法实现的 LSTM 隐藏状态覆盖率比基线高出 85%，表明其行为集合丰富得多。进一步分析表明，认知不确定性可作为经过校准的难度检测指标：认知不确定性最高的智能体在碰撞、驶出道路和未完成任务（DNF）三类情况中的综合失败率，是认知不确定性最低的智能体的 14.8 倍，因此无需真实标签即可自动优先处理具有挑战性的场景。