ゲーム理論的ガイダンスを備えたハイブリッドサンプリングベース軌道プランナーによる自動運転レース
A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing
自動運転レース向けに、ゲーム理論の戦略的推論とサンプリングベースの軌道生成を組み合わせたハイブリッドプランナーを提案。オフライン学習したポテンシャル関数で相互作用を捉え、オンラインで勾配最適化により動的コストバイアスを生成し、高周波サンプリングプランナーに統合することで、ブロッキングなどの防御行動を実現しつつ計算負荷を抑えた。
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: Alexander Langmann, Frederico Pita de Araujo, Mattia Piccinini, Johannes Betz
分類: cs.RO
原文アブストラクト
Autonomous racing demands planning algorithms that balance vehicle dynamics at the limits of handling with strategic decision-making in competitive multi-agent scenarios. Game theory provides a mathematical framework for modeling these interactions, enabling interactive trajectory planning and strategic behaviors, such as blocking. However, directly solving full dynamic games online is computationally prohibitive and challenging to integrate into robust, high-frequency autonomous software stacks. This paper proposes a hybrid architecture that integrates game-theoretic reasoning into a sampling-based motion planner, combining strategic interactions with robust trajectory generation. Building upon an $\alpha$-potential game formulation, we utilize an offline-learned potential function to capture multi-agent interactions. During online operation, a gradient-based optimization dynamically refines interaction parameters to generate an \textit{Interaction Reference Path}. This path serves as a dynamic cost bias within a high-frequency sampling planner. We evaluate our approach in a high-fidelity simulation environment on the Yas Marina Circuit. Qualitative and quantitative results demonstrate that our approach successfully induces defensive behaviors like blocking without carrying the computational burden of full dynamic game solvers.
関連論文
- 自動運転レースにおける最小時間軌道計画のための制御情報に基づく制約適応自動運転レース/軌道計画
- 曲率統合MPCCによる自動レースのラップタイム短縮自動運転レース/軌道計画
- オンラインレーシングライン生成を併用したサンプリングベース軌道計画：3次元レーストラックでの自動運転自動運転レース/軌道計画
