4. 交互行为建模入门

在轨迹预测任务中，单个交通参与者的运动并非独立发生。行人会避让对向来人，车辆会跟驰或换道，骑行者会在路口与机动车争夺通行权。要预测这些行为，首先需要一种能够描述“个体如何受他人影响”的建模语言。本节介绍三类经典交互行为建模工具：社会力模型、元胞自动机与博弈论，并说明它们在交互行为建模中的初步应用方式。

一、核心原理：三种交互建模视角

社会力模型（Social Force Model, SFM）把每个行人视为受“虚拟力”驱动的粒子。驱动力指向目标点，排斥力来自其他行人和障碍物，吸引力可表示同伴或兴趣点。其连续形式可写为：

m_i * dv_i/dt = f_i^goal + Σ_j f_ij^rep + Σ_w f_iw^rep + f_i^att
f_ij^rep = A * exp((r_i + r_j - d_ij) / B) * n_ij

其中 A 控制排斥强度，B 控制作用范围，d_ij 为两人间距。SFM 的优点是连续、可微、物理意义直观，适合描述密集人群的平滑避让；缺点是参数敏感，且难以直接表达“让行”“抢行”等离散决策。

元胞自动机（Cellular Automata, CA）把空间离散为网格，每个元胞在离散时间步按局部规则更新状态。经典 Nagel–Schreckenberg 模型用 v、gap、p_brake 描述车辆跟驰：

v = min(v + 1, v_max, gap)
以概率 p_brake 减速 1
x = x + v

CA 计算高效、易于并行，适合大规模路网仿真；但离散化会损失轨迹精度，且规则设计依赖经验。

博弈论把交互视为参与者在一组策略中选择收益最大化的动作。在路口让行场景中，两车可抽象为“让”与“抢”的 2×2 博弈。若双方都抢，收益最低；一方让一方抢，抢者收益高；双方都让则效率损失。纳什均衡给出稳定策略组合，混合策略可解释随机让行行为。

二、方法流程：从交互描述到轨迹预测

把上述模型用于轨迹预测，通常遵循以下流程：

1. 场景抽象：确定参与者集合、目标点、可通行区域与交互范围。行人场景关注间距与视线，车辆场景关注车道、速度与冲突点。
2. 交互建模：密集连续场景优先用 SFM；大规模路网或需要快速推演时用 CA；存在明确策略选择（让行、抢行、换道）时引入博弈论。
3. 参数标定：用真实轨迹数据拟合 A、B、v_max、p_brake 或收益矩阵。标定质量直接决定预测是否合理。
4. 轨迹生成与筛选：模型输出候选轨迹或策略组合，再结合历史轨迹、地图与动力学约束进行筛选。
5. 预测输出：输出多模态轨迹及其概率，供下游规划或风险评估使用。

三、案例/场景：路口交互预测

考虑一个无信号灯路口，一辆右转机动车与一名直行行人相遇。若只用单车运动学预测，车辆会直接右转，行人会直行，二者轨迹在冲突点重叠，预测结果明显不合理。

引入交互建模后：

• 博弈层：车辆与行人构成“让/抢”博弈。行人通常拥有优先权，车辆“抢”的收益被压低，均衡偏向车辆让行。
• 社会力层：车辆减速后，行人对车辆的排斥力减小，行人保持原速通过；若车辆未减速，行人的排斥力增大，出现停顿或绕行。
• CA 层：在网格化路口推演中，车辆元胞与行人元胞的冲突格被标记，更新规则禁止同时占用，从而产生等待与交替通行。

最终预测输出不再是单条轨迹，而是“车辆让行 + 行人直行”“车辆抢行 + 行人避让”等多模态结果，并附带概率。这比单轨迹预测更接近真实交互。

四、对比与选型清单

模型	空间/时间	核心机制	优势	局限	典型应用
社会力模型	连续	虚拟力驱动	轨迹平滑、物理直观	参数敏感、难表达离散决策	密集人群、行人避让
元胞自动机	离散	局部规则更新	计算高效、易并行	精度受限、规则依赖经验	大规模路网、交通流仿真
博弈论	策略层	收益最大化与均衡	可解释让行/抢行	收益函数难标定	路口、汇入、超车决策

五、误区与复盘

复盘时建议检查三点：交互对象是否完整、参数是否来自真实数据、输出是否保留多模态。只有同时满足，交互行为建模才能真正提升轨迹预测的合理性。