論文の概要: SGTP: Sampling-based Game-Theoretic Planning for Real-Time Multi-Vehicle Autonomous Racing

• arxiv url: http://arxiv.org/abs/2607.25388v1
• Date: Tue, 28 Jul 2026 07:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.749682
• Title: SGTP: Sampling-based Game-Theoretic Planning for Real-Time Multi-Vehicle Autonomous Racing
• Title（参考訳）: SGTP:リアルタイム多車両自律走行のためのサンプリング型ゲーム理論計画
• Authors: Zhouheng Li, Fangguo Zhao, Mattia Piccinini, Baha Zarrouki, Yuan Gao, Zitong Shan, Johannes Betz, Chen Lv, Lei Xie,
• Abstract要約: 既存のプランナーは、しばしば戦略的多様性と計算効率のバランスをとるのに苦労する。 ゲーム理論推論とGPUによる制御シーケンスの高速化サンプリングと動的ロールアウトを組み合わせたリアルタイムフレームワークであるサンプリングベースゲーム理論計画(SGTP)を提案する。 我々は,SGTPが95.24%の勝利率と99.35%のタスク補完率を達成することを示し,複数の反復解ステップに対して平均計算時間は0.095秒である。
• 参考スコア（独自算出の注目度）: 38.18408547202765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous multi-vehicle racing requires real-time planning of diverse competitive behaviors in intense interactions. Existing planners often struggle to balance strategic diversity and computational efficiency. To address this challenge, we propose Sampling-based Game-Theoretic Planning (SGTP), a real-time framework that combines game-theoretic reasoning with GPU-accelerated sampling of control sequences and dynamics rollouts. Sampled trajectories are ranked using a game-aware cost to capture competitive interactions and generate diverse racing behaviors. Our planner then performs feasibility selection by explicitly enforcing track-boundary and dynamic collision-avoidance constraints, ensuring safe and reliable transitions between racing strategies. Extensive simulations on challenging tracks show that SGTP achieves a 95.24% win rate and a 99.35% task-completion ratio in highly interactive races, with a mean computational time of 0.095 s over multiple iterative solving steps. We also demonstrate the successful application of SGTP in large-scale scenarios with up to 10 agents. We release our code and provide an open-source benchmark of multi-agent autonomous racing algorithms to facilitate future research. Project page: https://sgtp-racing.github.io/.
• Abstract（参考訳）: 自律的な多車レースは、激しい相互作用において多様な競争行動のリアルタイム計画を必要とする。 既存のプランナーは、しばしば戦略的多様性と計算効率のバランスをとるのに苦労する。 この課題に対処するために,ゲーム理論推論とGPUアクセラレーションによる制御シーケンスのサンプリングと動的ロールアウトを組み合わせたリアルタイムフレームワークである,サンプリングベースのゲーム理論計画(SGTP)を提案する。 サンプリングされた軌跡は、競争的な相互作用を捉え、多様なレース行動を生成するために、ゲーム認識コストを用いてランク付けされる。 そして,トラックバウンダリおよび動的衝突回避制約を明示的に実施し,レース戦略間の安全かつ信頼性の高い遷移を確保することにより,実現可能性の選択を行う。 挑戦トラックでの大規模なシミュレーションでは、SGTPは95.24%の勝利率と99.35%のタスク補完比を達成し、複数の反復的な解決ステップで平均計算時間は0.095秒である。 また,最大10エージェントの大規模シナリオにおけるSGTPの有効利用を実証した。 我々はコードをリリースし、将来の研究を促進するために、マルチエージェントの自律レースアルゴリズムのオープンソースベンチマークを提供します。 プロジェクトページ: https://sgtp-racing.github.io/

関連論文リスト

• A Hybrid Sampling-Based Trajectory Planner with Game-Theoretic Guidance for Autonomous Racing [41.40585589054522]
  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。
  論文  参考訳（メタデータ） (2026-07-15T00:27:36Z)
• 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)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• SPIRAL: Self-Play Incremental Racing Algorithm for Learning in Multi-Drone Competitions [0.0]
  本稿では,マルチエージェントレースにおける自律ドローンのトレーニング手法であるSPIRALを紹介する。 SPIRALは、複雑なレースの振る舞いを漸進的に培養するセルフプレイ機構を特有に採用している。 本手法は汎用性のために設計されており,最先端のDeep Reinforcement Learning (DRL)アルゴリズムと統合可能である。
  論文  参考訳（メタデータ） (2025-10-26T07:59:44Z)
• LiDAR-Based Vehicle Detection and Tracking for Autonomous Racing [0.8356765961526956]
  本稿では,Team PoliMOVEの自律レースカーに搭載されたLiDARに基づく知覚アルゴリズムについて述べる。 実験の結果,アルゴリズムの性能,ロバスト性,計算効率,自律レースアプリケーションに適していることが示された。
  論文  参考訳（メタデータ） (2025-01-24T14:01:51Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Deep Latent Competition: Learning to Race Using Visual Control Policies in Latent Space [63.57289340402389]
  Deep Latent Competition (DLC) は、想像力の自己プレイを通じて、競合する視覚制御ポリシーを学ぶ強化学習アルゴリズムである。 想像すると、セルフプレイは現実世界でコストのかかるサンプル生成を削減し、潜在表現は観測次元で計画を優雅にスケールできる。
  論文  参考訳（メタデータ） (2021-02-19T09:00:29Z)

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。