主动推理驾驶模型加入情感机制：连续状态下的效价与唤醒度估计

一项发表于 arXiv 的最新研究尝试把「情感」这一长期被忽略的因素，纳入到基于主动推理（active inference）框架的人类驾驶行为模型中。作者指出，情感状态会显著影响驾驶决策，但现有主动推理驾驶模型大多只关注目标导向的动作与不确定性削减，并未对情感建模。

研究背景：主动推理与驾驶建模

主动推理是一套用于刻画适应性行为的统一框架，强调智能体在「追求目标」与「降低不确定性」之间寻求平衡。近年来，这一框架已被用于人类驾驶行为建模，并在生物系统和人工系统中取得一定进展。然而，既有工作普遍回避了交通场景中影响行为的关键变量——情感状态。

在非交通领域，已有研究尝试用「效价—唤醒度」二维环形模型（circumplex model）来描述主动推理智能体的情感。但这些工作大多停留在简化设置中，假设状态空间是离散的，难以直接迁移到真实驾驶这种高维、连续的环境。

本文贡献：连续状态下的情感扩展

本次工作针对这一缺口，提出一种适用于连续状态主动推理驾驶模型的情感表达方式。核心思路是：

• 沿用经典的「效价（valence）」与「唤醒度（arousal）」两个维度来刻画情感；
• 让情感估计不仅依赖当前状态，还显式依赖模型对未来结果的预测；
• 在连续动作—状态空间中给出可计算的实现方式，使情感信号可在仿真过程中持续提取。

这一扩展使得情感不再是模型外部贴上去的标签，而是与主动推理的预测—行动循环耦合在一起的内部信号。

实验评估：两个交互式驾驶场景

作者在两个交互式驾驶场景中测试了该方法。结果显示，所生成的情感信号与已有人因研究在类似场景下报告的情感模式相吻合：例如在与前车博弈或面对潜在冲突时，唤醒度会出现明显波动，效价则随结果预期改变。

不过，作为一篇 arXiv 预印本，论文尚未公布完整的定量基准对比、模型参数规模或可复现的代码链接，距离工业落地仍有距离。

意义与局限

从研究角度看，这项工作为主动推理框架与情感计算的交叉提供了一个具体样本，证明了在连续状态驾驶仿真中提取可解释情感信号的可行性。但其影响面较为有限，主要面向认知建模与驾驶仿真领域的少数研究者，对当前主流大模型、多模态 AI 的发展方向并无直接外溢。读者若关心自动驾驶规划与人因建模的结合，可关注后续是否会出现更系统的定量评测与开源实现。