論文の概要: A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing
- arxiv url: http://arxiv.org/abs/2607.13354v1
- Date: Wed, 15 Jul 2026 00:27:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.616144
- Title: A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing
- Title（参考訳）: ゲーム理論誘導型ハイブリッドサンプリングベーストラジェクトリプランナ
- Abstract要約: 本稿では,ゲーム理論推論をサンプリングベースモーションプランナに統合するハイブリッドアーキテクチャを提案する。
本手法は,フルダイナミックゲームソルバの計算負担を伴わずにブロッキングなどの防御動作を誘導する。
- 参考スコア（独自算出の注目度）: 41.40585589054522
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 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 $α$-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.
- Abstract（参考訳）: 自律レースは、競合するマルチエージェントシナリオにおける戦略的意思決定に対処する限界において、車両ダイナミクスのバランスをとるための計画アルゴリズムを要求する。
ゲーム理論はこれらの相互作用をモデル化するための数学的枠組みを提供し、インタラクティブな軌道計画とブロッキングのような戦略的行動を可能にする。
しかし、オンラインのフルダイナミックゲームを直接解決することは、計算的に禁止され、堅牢で高周波の自律的ソフトウェアスタックに統合することは困難である。
本稿では,ゲーム理論的推論をサンプリングベースモーションプランナに統合し,戦略的相互作用とロバストな軌道生成を組み合わせたハイブリッドアーキテクチャを提案する。
α$のポテンシャルゲーム定式化に基づいて、オフライン学習型ポテンシャル関数を用いて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。
オンライン操作中、勾配に基づく最適化は動的に相互作用パラメータを洗練し、 \textit{Interaction Reference Path} を生成する。
この経路は高周波サンプリングプランナー内の動的コストバイアスとして機能する。
ヤスマリーナ回路の高忠実度シミュレーション環境における本手法の評価を行った。
定性的かつ定量的な結果から,本手法は,フルダイナミックゲームソルバの計算負担を伴わずにブロッキングなどの防御行動の誘発に成功していることが示された。
関連論文リスト
- Coordinated Motion Planning for Multi-Arm Systems via Iterative LQ Games [21.845592692945047]
本稿では,多マニピュレータ動作計画のための反復線形擬似ゲームフレームワークを提案する。
我々のフレームワークは、スムーズで安全で効率的な軌道を高次元設定で生成し、従来の手法より優れている。
論文 参考訳（メタデータ） (2026-08-27T21:33:38Z) - A Forward-Inverse Dynamic Game Framework for Enhanced Multi-Agent Trajectory Planning [10.027004863448854]
そこで本稿では, 最適性と行動前処理を適応的にバランスさせる状態依存重み付きKL正規化動的ゲームを提案する。
正規化局所ゲームの一点当たりの well-posedness を確立し、適応重み付け関数が有界な名目軌道更新の下でリプシッツ連続であることを示す。
論文 参考訳（メタデータ） (2026-08-03T03:15:37Z) - World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。
内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。
nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
論文 参考訳（メタデータ） (2026-07-12T07:44:16Z) - ALSO: Adversarial Online Strategy Optimization for Social Agents [63.84788516416339]
社会シミュレーションにおけるオンライン戦略最適化のための最初のフレームワークとしてtextbfALSO (textbfAdrial ontextbfLine textbfStrategy textbfOptimization) を提案する。
ALSOは、スタティック・ペルソナとダイナミック・ストラテジー・インストラクションの組み合わせをアームとして扱う対向バンドイット問題として、マルチターンインタラクションを定式化する。
また、相互作用履歴から報酬を予測する軽量なニューラルサロゲートを導入し、サンプル効率の高い探索と継続的なオンライン適応を可能にしている。
論文 参考訳（メタデータ） (2026-05-15T09:25:15Z) - GIANT - Global Path Integration and Attentive Graph Networks for Multi-Agent Trajectory Planning [4.019914376054815]
本稿では,グローバルパス計画とローカルナビゲーション戦略を統合したマルチロボット衝突回避手法を提案する。
本研究では,事前に計画されたグローバルパスを活用するローカルナビゲーションモデルを導入し,ロボットが最適な経路に順応し,環境変化に動的に適応できるようにする。
提案手法は, NH-ORCA, DRL-NAV, GA3C-CADRLなどの既設ベースラインに対して, 多様なシミュレーションシナリオに対して評価を行った。
論文 参考訳（メタデータ） (2026-03-04T22:45:53Z) - Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。
提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。
我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
論文 参考訳（メタデータ） (2025-01-16T16:45:08Z) - Blending Data-Driven Priors in Dynamic Games [9.085463548798366]
Kullback-Leibler (KL) 正規化による非協調的ダイナミックゲームの解法を定式化する。
我々は,KLGameのNash平衡戦略を,マルチモーダル近似フィードバックをリアルタイムに計算するための効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-21T23:22:32Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - 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) - Towards a Systematic Computational Framework for Modeling Multi-Agent
Decision-Making at Micro Level for Smart Vehicles in a Smart World [8.899670429041453]
スマートカーのマイクロレベルにおける意思決定と戦略的相互作用をモデル化するためのマルチエージェントベースの計算フレームワークを提案する。
本研究の目的は,自律走行車のためのマイクロパス計画など,様々な現実的なアプリケーションに対して,概念的に健全かつ実用的なフレームワークを提供することである。
論文 参考訳（メタデータ） (2020-09-25T13:05:28Z)
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。