論文の概要: Strategizing at Speed: A Learned Model Predictive Game for Multi-Agent Drone Racing

• arxiv url: http://arxiv.org/abs/2602.06925v1
• Date: Fri, 06 Feb 2026 18:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.242078
• Title: Strategizing at Speed: A Learned Model Predictive Game for Multi-Agent Drone Racing
• Title（参考訳）: 高速戦略:マルチエージェント・ドローンレースの学習モデル予測ゲーム
• Authors: Andrei-Carlo Papuc, Lasse Peters, Sihao Sun, Laura Ferranti, Javier Alonso-Mora,
• Abstract要約: 我々は、エージェントが行動を起こす前に、いかに深く戦略を立てるべきかを研究する。 モデル予測ゲーム(MPG)とモデル予測制御(MPC)の2つの計画パラダイムを比較した。 本稿では,学習モデル予測ゲーム (LMPG) アプローチを提案する。
• 参考スコア（独自算出の注目度）: 17.723696281530994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous drone racing pushes the boundaries of high-speed motion planning and multi-agent strategic decision-making. Success in this domain requires drones not only to navigate at their limits but also to anticipate and counteract competitors' actions. In this paper, we study a fundamental question that arises in this domain: how deeply should an agent strategize before taking an action? To this end, we compare two planning paradigms: the Model Predictive Game (MPG), which finds interaction-aware strategies at the expense of longer computation times, and contouring Model Predictive Control (MPC), which computes strategies rapidly but does not reason about interactions. We perform extensive experiments to study this trade-off, revealing that MPG outperforms MPC at moderate velocities but loses its advantage at higher speeds due to latency. To address this shortcoming, we propose a Learned Model Predictive Game (LMPG) approach that amortizes model predictive gameplay to reduce latency. In both simulation and hardware experiments, we benchmark our approach against MPG and MPC in head-to-head races, finding that LMPG outperforms both baselines.
• Abstract（参考訳）: 自律型ドローンレースは、高速な動き計画とマルチエージェントの戦略的意思決定の境界を押し進める。 この領域での成功は、ドローンがその限界をナビゲートするだけでなく、ライバルの行動を予想し、対処することを要求する。 本稿では,エージェントが行動を起こす前にどの程度の戦略を練るべきかという,この領域における根本的な疑問について考察する。 この目的のために,モデル予測ゲーム(MPG, Model Predictive Game)とモデル予測制御(MPC, Model Predictive Control)の2つの計画パラダイムを比較した。 我々は、このトレードオフを研究するために広範な実験を行い、MPGは適度な速度でMPCより優れているが、レイテンシーにより高速でその優位性を失うことを明らかにした。 この欠点に対処するため,学習モデル予測ゲーム (LMPG) アプローチを提案する。 シミュレーションとハードウェアの両実験において,MPGとMPCに対するアプローチをベンチマークし,LMPGが両ベースラインを上回っていることを確認した。

関連論文リスト

• Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC [30.927534234540502]
  現在の方法は、しばしば厳密なキネマティック制約を単純化または放棄する。 トポロジカル同定と高速化のためのMPCフレームワークを提案する。 連続的なシナリオでは、総操縦時間を51.6%削減する。 密集したボトルネックで81%を超える成功率を維持している。
  論文  参考訳（メタデータ） (2026-03-10T04:55:30Z)
• HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
  本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。 我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。 安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
  論文  参考訳（メタデータ） (2026-01-29T07:15:39Z)
• Biologically Inspired Swarm Dynamic Target Tracking and Obstacle Avoidance [0.0]
  本研究では、軍用分散ドローン群を用いた動的目標追跡のためのAI駆動飛行コンピュータを提案する。 コントローラはファジィインタフェース、素早い適応、予測能力、マルチエージェント問題解決を可能にするニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2024-10-15T03:47:09Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Decision-making with Speculative Opponent Models [10.594910251058087]
  分散応答支援型マルチエージェントアクター・クリティカル(DOMAC)について紹介する。 DOMACは、ローカル情報(例えば、制御されたエージェントの観察、行動、報酬)のみに依存する最初の投機的相手モデリングアルゴリズムである。
  論文  参考訳（メタデータ） (2022-11-22T01:29:47Z)
• AdvDO: Realistic Adversarial Attacks for Trajectory Prediction [87.96767885419423]
  軌道予測は、自動運転車が正しく安全な運転行動を計画するために不可欠である。 我々は,現実的な対向軌道を生成するために,最適化に基づく対向攻撃フレームワークを考案する。 私たちの攻撃は、AVが道路を走り去るか、シミュレーション中に他の車両に衝突する可能性がある。
  論文  参考訳（メタデータ） (2022-09-19T03:34:59Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Deep Interactive Motion Prediction and Planning: Playing Games with Motion Prediction Models [162.21629604674388]
  本研究は,新しい対話型マルチエージェントニューラルネットワークポリシを予測モデルの一部として使用するゲーム理論モデル予測制御器(MPC)を提案する。 本手法の成功の基礎は,周辺エージェントの状態と地図情報に基づいて車両を操縦できる,新しいマルチエージェントポリシーネットワークの設計である。
  論文  参考訳（メタデータ） (2022-04-05T17:58:18Z)
• Multi-Modal Temporal Convolutional Network for Anticipating Actions in Egocentric Videos [22.90184887794109]
  正確だが十分に速くないメソッドは、意思決定プロセスに高いレイテンシをもたらす。 これは、反応時間が重要である自律運転のようなドメインに問題を引き起こす。 本稿では,時間的畳み込みに基づくシンプルで効果的なマルチモーダルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-18T16:21:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。