自動駕駛汽車在很多地方都進行了模擬測試，但真正上路測試並不多，因為在真實的街道環境中，自動駕駛汽車還無法根據周圍環境中其他車輛和人的動作或運行軌跡進行自動調整。史丹福大學的研究人員最近創建了LUCIDGames，這是一種可以預測和規劃自動駕駛車輛自適應軌跡的計算技術。這項技術在arXiv上預發表的一篇論文中提出，它集成了一種基於博弈論的算法和一種估計方法。
LUCIDGames是Le Cleac'h和他的同事提出的技術，旨在為自動駕駛汽車提供快速識別其附近的汽車和行人的目標的能力。這使得他們能夠預測這些代理人在未來會做什麼，並在他們周圍安全地操作，即使在複雜的場景中也能應對自如。
基於博弈論的部分允許自動駕駛汽車推理與其他代理人（車輛、行人、騎車人等）的互動，特別是當他們的目標可能與自己的目標不完全一致時。而估計部分則允許自動駕駛汽車在與其他代理互動的同時，迅速發現他們的基本目標，例如，這些目標可以是期望的速度、期望的車道或與自動駕駛汽車互動的每輛車的「攻擊性」水平。
研究人員創建的系統由一個 "估計器 "和一個 "決策者 "組成，前者是識別駕駛員目標的技術，後者是控制自動駕駛車輛轉向角度和加速度的算法。決策者根據 "估計器 "收集的信息，確定最適合車輛的行駛軌跡。
經過初始訓練之後，LUCIDGames會對其他代理的軌跡進行新的猜測，這些猜測與原來的猜測非常接近，並評估它們的預測性能。通過每秒重複幾次這個過程，它就會完善自己的猜測，並得出對周圍其他代理移動方式的最終預測。
新技術中的估計部分還允許自動駕駛汽車根據其在街道上遇到的司機類型調整其決策。例如，它可以判斷一個司機是否特別具有攻擊性，讓決策組件相應地調整自動駕駛汽車的軌跡和動作（例如，與攻擊性司機操作的車輛保持更大的安全距離）。如果沒有這種估計技術，無論周圍環境中的司機是謹慎還是激進，自動駕駛汽車都會以同樣的方式移動並執行同樣的動作，這可能會增加事故風險。
論文標題為《LUCIDGames: Online unscented inverse dynamic games for adaptive trajectory prediction and planning》。