摘要

本文介绍了一种基于主动推理理论的新型自动驾驶车辆（AV）控制方法。传统的自动驾驶系统依赖于模块化管道、模仿学习或强化学习，这些方法在适应性、泛化能力和计算效率方面存在局限性。主动推理理论源自神经科学，将大脑视为预测机器，通过动态模型平衡感知和行动来最小化预测误差（称为“惊奇”）。本文的方法结合了主动推理和深度学习，用于AV的横向控制，使其能够在模拟城市环境中进行车道跟随操作。实验结果表明，该模型在有限数据下有效学习并泛化，显著减少了计算需求，并在适应性和效率方面优于传统方法，推动了主动推理在实际自动驾驶应用中的潜力。

原理

主动推理基于自由能原理（FEP），该原理认为生物体通过最小化自由能（FE）来维持与环境的平衡状态。自由能是预测感官输入与实际感官输入之间的差异度量。主动推理通过生成模型预测未来状态和观察结果，允许代理通过感知（更新信念）和行动（改变状态以减少惊奇）来最小化自由能。本文中的模型通过深度学习架构集成主动推理，利用生成模型预测和适应环境变化，从而实现计算效率高且可解释的自动驾驶行为。

流程

本文提出的方法通过模拟城市环境中的车道跟随任务来验证其有效性。模型首先通过前向内部模型进行感知，该模型包含代理理解驾驶任务环境所需的所有信息。然后，代理选择最小化预期自由能（EFE）的行动，这包括认知（信息寻求）和实用（目标导向）两个方面。在CARLA模拟器中进行的实验显示，代理能够通过预测未来图像并比较与偏好的相似度来选择最佳行动，从而实现类似人类的驾驶行为。

应用

本文提出的主动推理方法不仅提高了自动驾驶车辆的技术能力，还加深了对人类认知过程在人工系统中模拟的理解。该方法在动态和不确定的道路条件下表现出高适应性和性能，适用于各种城市驾驶场景。未来的工作将扩展该方法以包括车道变换、动态对象处理和遵守交通规则等任务，并探索其在实际自动驾驶场景中的应用。