标题：Learning Responsibility Allocations for Safe Human-Robot Interaction with Applications to Autonomous Driving
作者：Ryan K. Cosner, Yuxiao Chen, Karen Leung, and Marco Pavone
来源：2023 IEEE International Conference on Robotics and Automation (ICRA 2023)
这是佳佳怪分享的第5篇文章，仅限于分享，如有错误欢迎批评指正
摘要
驾驶员有责任采取合理的谨慎措施，避免与其他道路使用者发生碰撞。这种承担的责任允许交互代理在没有明确协调的情况下维护安全。因此，为了实现安全的自动驾驶汽车（AV）交互，AV必须了解他们维护安全的职责以及他们如何影响附近代理的安全。在这项工作中，我们试图了解在多智能体环境中，自主智能体与人类同行互动时，责任是如何分担的。我们引入了责任感知控制障碍函数（RA CBF），并提出了一种从数据中学习责任分配的方法。通过将安全关键控制和基于学习的技术相结合，RA CBF使我们能够考虑场景相关的责任分配，并综合安全高效的驾驶行为，而不会做出通常导致过度保守行为的最坏情况假设。我们使用真实世界的驾驶数据测试了我们的框架，并证明了它作为安全控制和不安全驾驶法医分析工具的有效性。
图1。在人类驾驶中，车辆可以表现出合理的注意义务。例如，尾随车辆（绿色）负责不与前车相撞（蓝色），并线车辆（橙色）遵守正式和非正式规则，以避免与车道上的车辆相撞（粉色）。我们如何确保自动驾驶汽车按照这种非正式的驾驶规则行动？
图2。对于一系列速度和相对位置，学习的责任分配表面是可视化的。场景一：ego车（黄色）行驶在一条双车道道路上。在所有情况下，γ（ego，x）>0表示保守驾驶的程度。通常，当另一个代理（红色）在后面时，γ（ego，x）更大，表明在另一辆车后面行驶时责任增加。场景2：ego车辆停在一个四向交叉口，另一辆车（绿色）在它前面或后面（没有蓝色代理）。同样，当绿色车辆在其前面时，ego车辆（黄色）比在其后面时更负责任。场景3：ego车辆（蓝色）停在四向交叉口，另一辆车辆从上到下穿过（没有绿色代理）。γ（ego，x）对于蓝色车辆的所有位置和速度都是大的，这表明在这种情况下，ego 代理承担的责任更大。
图 3. 用于法医分析的碰撞场景。两行中从左到右的图显示了：场景和轨迹、代理 1 和代理 2 的输入、每个代理的学习责任分配以及它们的 RA-CBF 约束值 (9)。学习到的每个代理的责任分配，以及它们的 RA-CBF 约束值 (9)。
表 I. 闭环实验结果
结论
我们提出了责任意识控制障碍函数（RA-CBFs）作为学习和合成安全负责驾驶行为的框架。RA-CBFs 旨在捕捉多个（人类）代理之间的非对称责任分担，我们提出了一种从数据中学习与上下文相关的责任分配的方法。然后，我们利用真实世界的驾驶数据证明了我们方法的有效性和实用性。这项工作为未来的发展指明了方向，包括将明确的交通规则纳入我们的责任学习范式，比较不同地理区域的责任分配差异，以及探索人群导航等其他应用领域。
