Adaptives Entscheidungsverhalten für autonome Fahrzeuge: Ein lernbasierter spieltheoretischer Ansatz in interaktiven Umgebungen

Das Kernkonzept dieses Artikels ist die Entwicklung einer adaptiven Verhaltenssteuerung für autonome Fahrzeuge (AV), die auf Prinzipien der nicht-kooperativen Spieltheorie basiert. Durch die Verwendung von Maximum-Entropy-Inverse-Reinforcement-Learning (IRL) zur Optimierung der Modellparameter können AVs interaktive Verhaltenswahrscheinlichkeiten in dynamischen Umgebungen lernen und erkennen.