在强交互场景中，自动驾驶汽车（AV）需要与道路上的各种智能体进行高效且安全地互动。这些智能体包括其他AV、人类驾驶的汽车、行人等。智能体的行为具有难以预测性，且复杂多变，对AV的决策系统提出了巨大挑战。因此，想要建立其可靠的自主能力，安全地在强交互场景中导航，就需要可扩展、具有普遍性关系推理和交互建模能力来处理交互智能体之间的关系。

近年来，基于深度强化学习的AV自主导航相关研究有了可喜的进展，但现有工作通常采用固定的行为策略来控制训练环境中的社会车辆。这可能导致驾驶策略过度拟合环境，从而难以与其他车辆进行良好交互。

此外，在强交互场景中，准确理解和预测人类行为是实现自动驾驶的关键先决条件。行人检测技术能够使AV准确地感知和理解周围环境，并做出更加智能安全的决策，避免潜在事故的发生。

在上述背景下，加利福尼亚大学河滨分校（UCR）电气与计算机工程系和计算机科学与工程系助理教授、斯坦福大学博士后李家琛等研究人员提出一种统一的关系推理框架EvolveGraph，用于建模多智能体系统和人机交互中的潜在关系或互动规律。该框架能够在不同范围或抽象层面上，推断出可解释的实体间关系，EvolveGraph相关论文成果收录于NeurIPS 2020顶会上。

针对T字路口，李博士等研究人员又提出一种基于元强化学习的方法，通过交互奖励函数随机化，生成多样化的目标。基于强化学习的车辆行为预测与鲁棒序列决策方法的相关论文成果收录于ITSC 2023顶会上。

此外，针对强交互场景，相关团队又提出一种基于三维人体关键点的行人动作识别及轨迹预测的新型多任务学习框架，并在数据集中验证了其有效性。三维人体关键点的行人动作识别及轨迹预测框架相关的论文成果收录于ICRA 2023顶会上。

11月16日10点，「自动驾驶新青年讲座」第26讲邀请到加利福尼亚大学河滨分校（UCR）助理教授、斯坦福大学博士后李家琛参与，主讲《强交互场景下自动驾驶中的行为预测与决策》。