自動運転車と人間が運転する車が共存する混合交通環境では、自動運転車の安全性を確保するために周囲の人間ドライバーの行動を正確に予測することが重要です。従来の強化学習ベースの運動計画手法では、人間ドライバーの意図予測を直接的に観測値に組み込むことで先制的な運動計画を実現していました。しかし現実には、ドライバーの行動の多様性、知覚ノイズ、部分的な観測可能性により、人間の意図は本質的に不確実性を持つため、予測された意図を確定的な状態として扱うと自動運転車の安全性が損なわれる可能性があります。 本研究では、人間の意図予測における不確実性を自動運転車の意思決定に明示的に組み込むアプローチであるUAMP（Uncertainty-Aware Motion Planning）を提案しています。UAMPは、近接度を考慮した不確実性推定器を導入して、相互作用に条件づけられた意図不確実性を定量化し、周囲の人間運転車に対する不確実性を加味した結合意図分布を構築します。この不確実性集合内では、さらにUCVL（Uncertainty-Calibrated Value Learning）を導入して、不確実な人間意図予測を直接観測値に組み込むことから生じる価値関数学習のバイアスを補正しています。 様々な混合交通シナリオにおける実験を通じて、UAMPが既存手法と比べて安全性と運転の快適性を大幅に改善しつつ、交通効率も維持できることが実証されました。この研究は、自動運転システムが人間ドライバーの予測不可能な行動にいかに対応するかという課題に対し、統計的な不確実性をモデル化することで実用的な解決策を提供するものです。