2026年4月23日，TOPS第180期组会于通达馆A102线下举行。本次组会由23级硕士刘林坤、23级硕士肖灵坤进行《基于信号传递博弈的自动驾驶车EHMI作用机制研究》、《考虑隐私保护的自动驾驶共享场景库查重问题研究》主题的学术报告分享。课题组全体老师同学出席了本次组会。

汇报时刻

会议首先由23级硕士刘林坤作报告。他从选题背景与意义、无保护左转博弈决策模型、EHMI信息披露行为建模、信号博弈的信念更新策略和结论与展望五个方面，系统介绍了自己硕士学位申请答辩预演的内容。

在选题背景与意义方面，刘林坤同学从艾萨克·阿西莫夫机器人三大定律等人机交互中的伦理问题、AI欺骗现象引出选题背景：欺骗是AI自然演化的策略，难以通过技术手段完全规避，AV作为一种AI，其决策逻辑同样可能产生欺骗。AV真实披露意图信息的结果不一定最好，AV信息交互的真实性问题是亟待研究的问题。

研究背景

进一步地，刘林坤同学引出研究的关键科学问题， EHMI应用下无保护左转人机交互决策，自动驾驶车是否披露、何时披露、披露什么交叉口通行策略？

基于此，刘林坤同学提出了基于信号传递博弈的EHMI作用机制研究思路，将信号博弈框架应用于自动驾驶信息披露决策，系统刻画了自动驾驶车披露信息到人类驾驶员形成信念再到双方策略选择的完整交互链条。

研究背景

在模型构建方面，刘林坤同学首先基于无保护左转场景，建立了Stackelberg序贯博弈决策模型，利用真实轨迹数据标定收益函数，发现直行车辆先动的序贯博弈最符合实际交互特征。在此基础上，引入信号博弈理论刻画EHMI信息披露行为，定义了一方披露信息、另一方根据信息更新信念并选择策略的动态框架。研究发现，EHMI披露真实意图信息可显著增加交互总收益，且更重视弱势参与者的收益提升。

技术路线

进一步地，研究构建了考虑欺骗行为的信号博弈模型。当自动驾驶车期望实现“抢行”但通过EHMI披露“让行”信息时，成功欺骗可使左转人类驾驶员主动让行，从而在双方实际安全通过的前提下提升整体效率。仿真结果显示，在善意欺骗下，安全时间指标获得提升，安全性显著增强。

技术路线

为解决人类驾驶员对EHMI信任程度不确定的问题，刘林坤同学设计了基于信念动态更新的信号博弈模型。将人类信任程度作为核心参数，提出基于交互反馈的信任估计与连续更新机制。数值仿真与虚拟现实实验表明，信任程度与安全性、效率之间均存在U型关系：高信任时交互效果最佳，半信半疑时效果最差。信息披露有助于提升交互质量，但半信半疑反而导致决策犹豫、行为反复，增加风险。

技术路线

在实验验证方面，基于TransCAVE虚拟现实驾驶平台开展了真人驾驶实验。受试者在无保护左转场景中与受信号博弈算法控制的自动驾驶车交互，对比无EHMI、真实信息披露、信号博弈策略披露（含善意欺骗）以及高/低信任设定共5种案例。结果表明，高信任设定下，EHMI显著提升安全性，效率方面，信号博弈策略使总时间缩短6.3%，低信任设定下，EHMI仍能保证基本安全，但交互效率显著下降。

长期效应分析揭示了“信任崩溃”现象：当受试者先经历低信任环境，再转入高信任环境时，客观安全指标显著恶化。未来，刘林坤同学计划在更多样化的交叉口和城市开展实车验证实验，拓展至多车交互场景，研究信任形成、崩溃与恢复的长期演化过程，并推动EHMI信息披露透明度与可信赖性的技术标准制定。

实验验证

汇报结束后，与会师生围绕研究内容展开了深入讨论。多位同学就信号博弈中信任参数的标定方法、善意欺骗的具体逻辑，披露真实信息会不会提高交互效率提出问题。石皓天老师指出需要明确欺骗行为对增强交互效果的具体作用，并且将人的异质性纳入框架考虑。孙剑老师强调，这是一个有趣的研究，但是应该在答辩中明确结果、研究方法、实验和实验设备的有效性，另外对PPT中题目提出了建议，尽量避免口语化的说法。杭鹏老师建议论文题目应对场景进行限定，研究内容要横向可比，后续建议与ADS系统、轨迹规划模块进行耦合。

汇报时刻

接着，23级硕士肖灵坤围绕研究背景与技术路线、密文域计算约束下的场景表征方法、隐私保护查重框架与判定机制、隐私保护场景查重方法的实验验证、场景相似度计算在测试用例选择中的应用评估和结论与展望几个部分展开她的硕士学位申请答辩预演的内容。

在研究背景与技术路线方面，肖灵坤同学指出，随着ADS技术持续发展，场景资源已成为支撑算法训练、测试与持续优化的关键基础。然而要推动场景共建共享，必须解决如何在保护原始数据隐私的前提下，对提交的场景进行高效查重，避免高度相似的场景反复入库这一核心矛盾。

研究背景

针对这一现实难题，肖灵坤同学构建了一套完整的隐私保护共享场景库查重方法框架。研究以ASAM OpenX格式的二维场景数据为对象，将场景划分为静态道路拓扑层与动态交互层，提出“广义交互”概念，统一划分为V2V、V2NM、V2P三大类共11小类，为复杂场景的语义表达奠定基础。

技术路线

在密文域计算约束下，直接使用传统相似度计算方法面临巨大挑战。为此，研究设计了时空图Transformer（STGT）模型，将场景序列映射为低维定长连续向量，使得密文域上仅需对低维嵌入向量进行距离计算，大幅降低密文运算开销。研究进一步构建了隐私保护查重框架，采用CKKS近似同态加密方案，以密文计算、明文后处理两阶段方式获得相似度分值，并设计“同拓扑候选集→Top‑K排序→局部邻域统计”逐层组织与两阶段判定机制，实现在隐私约束下的重复场景识别与入库决策。

技术路线

实验验证方面，基于OnSite平台的1000个十字交叉口场景进行验证。结果表明，STGT模型训练收敛稳定，关键结构消融实验表明，交互演化建模对表征质量的决定性作用，与自编码器基线相比，STGT在中高相似度区间具有更宽的分值分布。在密文计算可靠性方面，明文域与密文域计算结果保持高度一致，Top‑K排序重合良好，局部统计量可有效区分冗余、边界与可入库场景。

实验验证

进一步将该相似度计算方法应用于测试用例选择：在有限测试预算下，分别构建随机、规则与基于相似度去重的测试集。单一拓扑与混合拓扑实验结果均显示，相似度去重方法在各预算比例下均保持最优的排序保持能力，证明了该方法在可信测试集构建中的实用价值。

实验验证

未来，肖灵坤同学计划从三个方向深化研究：一是将当前面向二维场景的方法扩展到三维复杂场景；二是针对真实共享中差异化隐私需求，探索分层、分字段的局部可见相似度评估与明密文混合计算机制；三是面向更大规模真实平台，优化候选筛选、增量计算与工程集成，提升方法的规模化与工程化能力。

未来展望

汇报结束后，与会师生围绕研究内容展开了深入讨论。同学就场景编码加密还原技术等提出问题。孙剑老师指出，要理清场景查重与评估场景价值的逻辑关系，体现评估的有效性和科学性。石皓天老师指出，可以从敏感性分析的角度思考该问题。秦国阳老师针对计算效率、场景特征提取等方面提出了自己的建议。