對抗式學習

深度分析

多代理自我對抗與稀疏聯盟：AWM 框架強化自駕車長尾情境安全

在密集車流中，傳統自駕規劃缺乏對罕見危險情境的防護。研究提出AdversarialWorldModeling(AWM)以多代理自我對戰生成稀疏攻擊聯盟，並以尾風險加權的約束最佳回應提升規劃器在長尾互動情境的穩健性，同時保留正常駕駛表現。此結果顯示AWM可在測試基準上提升2至6分。