本文探讨了自主车辆与人类驾驶员的互动，提出了一种行为模型以编码驾驶员意图，并设计了基于贝叶斯滤波器的控制器来处理不确定性。研究评估了该模型在真实世界和模拟环境中的轨迹预测能力，结果表明算法能够在各种交通条件下安全完成强制合并任务。此外，文章讨论了可解释人工智能在自主驾驶中的应用，强调透明度和用户理解的重要性。

本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性。通过模仿行为模型和在线估计参数先验，并采用决策树搜索算法在线解决决策问题。实验结果表明该算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性。通过模拟和真实世界数据集的评估，结果表明该算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性。同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。实验结果表明，该算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。

本文提出了一种行为模型，将驾驶员的互动意图编码为潜在的社会心理参数，并设计了基于贝叶斯滤波器的递进视界优化控制器以考虑互动驾驶员意图的不确定性。同时采用基于注意机制的神经网络架构来模仿行为模型和在线估计参数先验，并提出决策树搜索算法在线解决决策问题。结果表明我们的算法能够在各种交通条件下完成强制合并任务并确保驾驶安全。