不确定性驱动的自博弈用于鲁棒多智能体驾驶策略

该论文提出一种不确定性驱动的自博弈方案：一半智能体以获得邻居的认知不确定性奖励为目标，另一半在探索方持续寻找弱点时学习安全驾驶。认知不确定性被当作场景难度的自动代理，无需人工设计即可生成课程。所得策略在无微调下零样本迁移到nuplan Val14（99.12% 对 97.97%）和Argoverse 2（82.39% 对 78.03%），优于标准自博弈，并在Waymo上同样提升。

此前提升驾驶策略泛化通常依赖人工设计难例或场景课程，成本高且覆盖有限。该工作把模型自身的不确定性信号转为难度来源，使难例挖掘自动化，并给出跨nuplan、Argoverse 2与Waymo的零样本迁移对比结果。

机制是让探索方最大化邻居的认知不确定性，从而定位策略最不自信的区域；被探索方则在此压力下学习安全应对。不确定性因此成为无需真值标签的难度检测器，高不确定性智能体的碰撞、驶出道路与未完成合计失败率是最低不确定性组的14.8倍，可自动优先处理困难场景。

对自动驾驶研发而言，这提示可用模型不确定性替代部分人工场景标注与筛选，降低课程构建成本，并把评测重点放在高不确定性场景。但证据仅限论文基准指标，尚未涉及真实路测、算力开销或工程落地成本。

• 在仿真训练流程中接入不确定性评分，自动筛选高难度场景组成训练课程，减少人工场景标注投入。
• 将高不确定性场景作为回归测试集，用于候选驾驶策略的发布前评估与薄弱点定位。
• 在自博弈训练框架中对比标准自博弈与不确定性驱动版本，验证跨数据集零样本迁移收益是否可复现。

• 该方案在真实道路数据与闭环实车测试中的表现是否仍优于标准自博弈？
• 不确定性驱动训练带来的额外计算开销与训练时长是多少？
• 14.8倍失败率差异是否在不同数据集和模型架构下稳定成立？
• 该方法能否迁移到非驾驶领域的多智能体决策任务？