16、自动驾驶系统的博弈：应对交互攻击的策略与挑战

自动驾驶系统的博弈：应对交互攻击的策略与挑战

1. 概率方法在自动驾驶中的应用

概率方法是将未来系统的演化建模为随机过程。也就是说，代理的未来运动被视为不确定的，并通过概率分布来描述。其目的是表示在代理的初始条件下，某个确定的未来可能发生的概率。

与鲁棒方法不同，概率方法旨在详细理解和建模代理在空间中规划其运动的过程。通过概率分布对不确定性进行建模是自动驾驶应用中的一个基本要素，主要基于以下两个原因：
- 周围的代理可能是人类，如行人或手动驾驶的车辆，人类行为具有随机性和多模态性。
- 自动驾驶场景的复杂性使得无法完全对系统行为进行建模，因此将模型无法描述的部分表示为不确定性。

1.1 数据驱动的重要性

手动调整概率模型以复制代理之间的交互是很困难的，特别是在复杂的多代理场景中。因此，概率模型的参数和系统模型通常是从数据中学习得到的。通过观察代理在不同情况下的行为，机器学习算法将模型与记录的数据进行拟合。所以，数据是开发现实预测器的关键要素。

1.2 深度学习框架下的轨迹预测方法

在概率方法中，深度学习框架近年来因其强大的表示能力而受到欢迎。以下是两种流行的轨迹预测方法：
- 基于历史的预测器 ：最先进的轨迹预测器是通过深度学习模型开发的。这些模型经过训练，以最小化其预测与所有其他代理未来轨迹之间的差异。标准版本的这些算法，即基于历史的预测器，将场景中代理的过去运动作为输入，并尝试预测它们在空间中的未来演化。
- 基于历史 - 未来的预测器 ：更先进的深度学习框架还考虑了周围代理的未来运动如何受到自