トポロジカルギャップ同定と高速化MPCによるマルチエージェント自律レースのロバスト時空間運動計画
Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC
対戦相手の挙動を予測して動的占有コリドーを構築し、追い抜きギャップを選ぶ手法を提案。高速MPCで厳密な運動学的制約を満たしつつ、F1TENTHで成功率81%以上・計算遅延20.3%削減を達成した。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Mingyi Zhang, Cheng Hu, Yiqin Wang, Haotong Qin, Hongye Su, Lei Xie
分類: cs.RO
原文アブストラクト
High-speed multi-agent autonomous racing demands robust spatiotemporal planning and precise control under strict computational limits. Current methods often oversimplify interactions or abandon strict kinematic constraints. We resolve this by proposing a Topological Gap Identification and Accelerated MPC framework. By predicting opponent behaviors via SGPs, our method constructs dynamic occupancy corridors to robustly select optimal overtaking gaps. We ensure strict kinematic feasibility using a Linear Time-Varying MPC powered by a customized Pseudo-Transient Continuation (PTC) solver for high-frequency execution. Experimental results on the F1TENTH platform show that our method significantly outperforms state-of-the-art baselines: it reduces total maneuver time by 51.6% in sequential scenarios, consistently maintains an overtaking success rate exceeding 81% in dense bottlenecks, and lowers average computational latency by 20.3%, pushing the boundaries of safe and high-speed autonomous racing.
関連論文
- 動的ゲームにおける一般化ナッシュ均衡のための慣性補正ニュートン法と最適性検証マルチエージェント制御
- オンボード視覚言語モデルを用いたマルチエージェントロボット制御マルチエージェント制御
- 深層強化学習における部分注意機構を用いた安全なマルチエージェント制御マルチエージェント制御
- 低レベルMPCを用いた階層型強化学習によるマルチエージェント制御マルチエージェント制御
- 二人プレイヤーの衝突回避インタラクションにおけるナッシュ均衡ハミルトニアンの学習マルチエージェント制御
- 最適制御と強化学習の融合による高制約空間でのマルチビークル衝突解決マルチエージェント制御
