การตัดสินใจของรถยนต์ไร้คนขับ (AVs) ในสภาพการจราจรที่มีทั้งรถยนต์ที่ขับโดยมนุษย์และระบบอัตโนมัติ (Mixed Traffic) มักเผชิญกับความท้าทายเรื่องความไม่แน่นอนของพฤติกรรมมนุษย์ งานวิจัยนี้จึงนำเสนอระบบ Knowledge-Data Dual-driven Reinforcement Learning (KDDRL) ซึ่งใช้โมเดล Deep Generative เพื่อทำนายเส้นทางในอนาคตของรถคันอื่น เปลี่ยนจากการรับรู้แบบตั้งรับ (Passive Perception) เป็นการคาดการณ์เชิงรุก (Proactive Prediction)
ระบบ KDDRL มีความโดดเด่นในการรวมเอาอินไซต์จากข้อมูลขนาดใหญ่เข้ากับข้อจำกัดทางฟิสิกส์ที่เข้มงวด เพื่อให้มั่นใจว่าการสำรวจพฤติกรรมใหม่ๆ ในขั้นตอนการฝึกฝนจะไม่นำไปสู่เหตุการณ์อันตราย นอกจากนี้ยังมีโมดูลที่ช่วยประสานการทำงานระหว่างการขับตามคันหน้า (Car-following) และการเปลี่ยนเลน (Lane-changing) ซึ่งมีความต่างของช่วงเวลาการทำงานให้กลายเป็นเนื้อเดียวกัน ทำให้การขับขี่มีความนุ่มนวลและปลอดภัยมากขึ้น
