Stackelberg Meta-Learning Based Shared Control for Assistive Driving

共享控制允许人类驾驶员与辅助驾驶系统合作，同时保留必要时做出决策和掌控的能力。然而，由于环境的不确定性、人类有限的理性和人类行为的多变性，人车协同和规划是具有挑战性的。有效的协作计划需要学习并适应这些不确定性。为此，我们开发了一种Stackelberg元学习算法，用于创建基于学习的共享控制规划。Stackelberg博弈用于捕捉人类驾驶员和辅助驾驶系统之间非对称交互中的领导者-追随者结构。元学习算法生成一个通用的行为模型，能够快速适应少量的驾驶数据，以协助最优决策。我们使用一个避障驾驶场景的案例研究来证明，经过适应的人类行为模型可以成功地帮助人类驾驶员到达目的地。此外，与仅有驾驶员的方案相比，它节省了驾驶时间，也能够应对驾驶员的有限理性和错误。

论文旨在解决人与自动驾驶系统之间共享控制的问题，并提出一种基于元学习的规划算法以适应环境的不确定性和人类行为的变异性。

论文使用Stackelberg元学习算法来生成一个通用的行为模型，该模型能够快速适应少量驾驶数据以协助最优决策。

论文使用了一个障碍物避免驾驶场景的案例研究来验证其方法的有效性，并且相比于仅由驾驶员控制的方案节约了驾驶时间。

在这个领域的相关研究包括：1. 'A survey on assistive systems for older drivers'；2. 'Shared control of autonomous vehicles: A review and design principles'；3. 'A review of human-robot interaction and its application in assistive robotics'。