Inferring Occluded Agent Behavior in Dynamic Games from Noise Corrupted Observations

1. Il Problema

Nel campo della robotica mobile e della guida autonoma, le interazioni tra agenti sono spesso modellate come equilibri di Nash in giochi dinamici non cooperativi. Tuttavia, i metodi esistenti presentano una limitazione critica: dipendono interamente dalle osservazioni dei sensori (Lidar, telecamere) per identificare tutti gli agenti partecipanti. Quando alcuni agenti sono occlusi (nascosti da ostacoli o altri veicoli), questi sistemi falliscono nel prevedere correttamente le intenzioni e le traiettorie degli agenti nascosti, portando a decisioni di navigazione subottimali o pericolose.

Il problema centrale è: come stimare lo stato e le intenzioni di agenti occlusi e pianificare traiettorie sicure basandosi esclusivamente su osservazioni rumorose e parziali degli agenti visibili?

2. Metodologia

Gli autori propongono un approccio integrato che combina l'inferenza comportamentale e la pianificazione in un quadro di "gioco contingente" consapevole delle occlusioni.

A. Inferenza Comportamentale Consapevole delle Occlusioni

L'obiettivo è stimare i parametri dei costi (intenzioni) e le traiettorie di tutti gli agenti (visibili e occlusi) partendo solo dalle osservazioni degli agenti visibili ($V$).

• Modello: Si assume che gli agenti giochino un equilibrio di Nash a ciclo aperto (OLNE).
• Ottimizzazione: Il sistema risolve un problema di massima verosimiglianza (Maximum Likelihood Estimation) per trovare i parametri di pesatura ($w$) e le traiettorie ($x$) che meglio spiegano le osservazioni rumorose degli agenti visibili.
• Vincoli: La soluzione è vincolata dalle condizioni di primo ordine (KKT) che definiscono l'equilibrio di Nash. Questo permette di "dedurre" il comportamento degli agenti occlusi osservando come gli agenti visibili reagiscono (ad esempio, un veicolo visibile che rallenta suggerisce la presenza di veicoli occlusi).

B. Gioco Contingente Consapevole delle Occlusioni

Per la pianificazione, gli autori introducono un modello di gioco che gestisce l'incertezza sulla presenza di agenti occlusi.

• Ipoti: Il sistema considera due ipotesi (scenari):
  1. $\theta_1$: Gli agenti occlusi esistono.
  2. $\theta_2$: Gli agenti occlusi non esistono.
• Struttura Temporale: Il gioco è diviso in due fasi da un tempo di diramazione ($t_b$):
  • Fase $k < t_b$: L'agente robotico non sa quale ipotesi sia vera. Deve scegliere un'unica azione di controllo che bilanci entrambe le possibilità, minimizzando il costo atteso ponderato dalla credenza ($b(\theta)$) su ogni scenario.
  • Fase $k \ge t_b$: Si assume che le occlusioni siano state rimosse (gli agenti occlusi diventano visibili). A questo punto, il piano si dirama e l'agente sceglie l'azione ottimale basata sulla verità del terreno (ground truth) rivelata.
• Pianificazione a Orizzonte Scorrevole (Receding Horizon): L'estimazione e la pianificazione avvengono in un ciclo continuo. Ad ogni passo temporale, il robot stima gli stati degli altri agenti e risolve il gioco contingente per generare il prossimo comando di controllo.

3. Contributi Chiave

1. Stimatore Teorico-Giocoso Consapevole delle Occlusioni: Un metodo che identifica simultaneamente i parametri dei costi e le traiettorie di agenti sia visibili che occlusi, basandosi solo su osservazioni parziali e rumorose.
2. Pianificatore Contingente: Una strategia di pianificazione a orizzonte scorrevole che gestisce esplicitamente l'incertezza sull'esistenza di agenti occlusi, fondendo strategie per scenari multipli fino a quando l'occlusione non viene risolta.
3. Validazione Sperimentale: Dimostrazione che l'approccio supera i metodi "ignoranti delle occlusioni" (baseline) sia nella precisione della stima che nella sicurezza della navigazione.

4. Risultati Sperimentali

Gli autori hanno valutato il metodo attraverso simulazioni Monte Carlo in tre scenari principali:

• Interazione a 3 Agenti (Stima): In uno scenario con un agente occluso, il metodo proposto ha stimato con maggiore precisione sia i parametri di costo che le traiettorie degli agenti visibili rispetto alla baseline. Inoltre, è stato l'unico in grado di stimare con successo la traiettoria dell'agente occluso, riducendo l'errore di posizione (ADE).
• Evitamento Collisioni (Pianificazione): In scenari con 4, 6 e 8 agenti, l'approccio proposto ha dimostrato una maggiore conservatività prima del tempo di diramazione ($t_b$). Gli agenti hanno mantenuto distanze minime maggiori rispetto alla baseline, evitando collisioni in modo più attivo e sicuro.
• Scenario di Incrocio Stradale: In un caso realistico con rumore di osservazione, il metodo ha permesso a un veicolo verde di rallentare preventivamente quando ha osservato un veicolo rosso rallentare (indizio di veicoli occlusi), evitando quasi incidenti. La baseline, ignorando le occlusioni, ha pianificato come se interagisse solo con il veicolo visibile, portando a traiettorie pericolose.
  • Metriche: Il metodo ha mostrato una stima più accurata (ADE inferiore) e una distanza minima reciproca ($d_{min}$) significativamente maggiore rispetto alla baseline, specialmente rispetto agli agenti inizialmente occlusi.

5. Significato e Impatto

Questo lavoro è significativo perché colma un divario fondamentale nella robotica autonoma: la capacità di ragionare su agenti non osservabili direttamente.

• Sicurezza: Trasforma la navigazione in ambienti complessi da "reagire a ciò che si vede" a "anticipare ciò che potrebbe esserci", riducendo drasticamente il rischio di collisioni in scenari urbani affollati.
• Robustezza: Il metodo è robusto al rumore dei sensori, un requisito essenziale per l'implementazione nel mondo reale.
• Futuro: Sebbene i risultati siano basati su simulazioni, il framework è progettato per essere esteso a dati reali di sensori (Lidar/Camera), promettendo di migliorare la fattibilità della navigazione autonoma in scenari sociali reali.

In sintesi, il paper introduce un paradigma in cui l'incertezza sulle occlusioni non è un limite, ma una variabile esplicitamente modellata per garantire una navigazione più sicura e intelligente.