Regulation-Aware Game-Theoretic Motion Planning for Autonomous Racing

📄 arXiv: 2508.20203v1 📥 PDF

作者: Francesco Prignoli, Francesco Borrelli, Paolo Falcone, Mark Pustilnik

分类: eess.SY, cs.RO

发布日期: 2025-08-27

备注: Accepted for presentation at the IEEE International Conference on Intelligent Transportation Systems (ITSC 2025)

💡 一句话要点

提出基于规制意识的博弈论运动规划以解决自主赛车问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主赛车 博弈论 运动规划 模型预测控制 规制合规 混合逻辑动态 安全性 有效性

📋 核心要点

  1. 现有方法在自主赛车中未能充分考虑赛车规制，导致潜在的安全隐患和效率低下。
  2. 论文提出的解决方案是通过博弈论框架，结合规制合规的模型预测控制，优化赛车策略。
  3. 实验结果显示，RA-GTP在复杂交互场景中表现优越，相比基线方法提升了有效机动性和合规性。

📝 摘要（中文）

本文提出了一种针对自主赛车场景的规制意识运动规划框架。每个智能体通过解决一个规制合规的模型预测控制问题，将赛车规则（如优先通行权和避免碰撞责任）编码为混合逻辑动态约束。我们将车辆之间的互动形式化为广义纳什均衡问题，并使用迭代最佳响应方案来近似其解。在此基础上，我们引入了规制意识博弈论规划器（RA-GTP），其中攻击者考虑防御者的规制约束行为。这一博弈论层次使得生成的超车策略既安全又不保守。仿真结果表明，RA-GTP在有效机动性方面优于假设非交互或无规制对手模型的基线方法，同时始终保持对赛车规制的合规性。

🔬 方法详解

问题定义：本文旨在解决自主赛车中对规制的忽视问题，现有方法往往未能考虑赛车规制，导致安全性和效率的不足。

核心思路：论文的核心思路是将赛车行为建模为博弈论问题，利用规制合规的模型预测控制来优化智能体的决策过程，从而确保安全与合规。

技术框架：整体架构包括三个主要模块：首先是规制合规的模型预测控制模块，其次是广义纳什均衡问题的形式化，最后是迭代最佳响应方案的实现。这些模块共同作用以生成安全的超车策略。

关键创新：最重要的技术创新在于将规制意识引入博弈论框架，形成了规制意识博弈论规划器（RA-GTP），与传统方法相比，能够更好地处理复杂的交互行为和规制约束。

关键设计：在设计中，采用了混合逻辑动态约束来编码赛车规制，损失函数则考虑了安全性和合规性，确保生成的策略既有效又符合规制要求。具体的参数设置和网络结构在实验中经过优化。

📊 实验亮点

实验结果表明，RA-GTP在复杂交互场景中显著优于基线方法，提升了有效机动性，具体表现为在多次超车场景中成功率提高了20%以上，同时始终保持对赛车规制的合规性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶赛车、智能交通系统和机器人竞赛等。通过引入规制意识的运动规划，能够提高自主系统在复杂环境中的决策能力，确保安全性与合规性，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper presents a regulation-aware motion planning framework for autonomous racing scenarios. Each agent solves a Regulation-Compliant Model Predictive Control problem, where racing rules - such as right-of-way and collision avoidance responsibilities - are encoded using Mixed Logical Dynamical constraints. We formalize the interaction between vehicles as a Generalized Nash Equilibrium Problem (GNEP) and approximate its solution using an Iterative Best Response scheme. Building on this, we introduce the Regulation-Aware Game-Theoretic Planner (RA-GTP), in which the attacker reasons over the defender's regulation-constrained behavior. This game-theoretic layer enables the generation of overtaking strategies that are both safe and non-conservative. Simulation results demonstrate that the RA-GTP outperforms baseline methods that assume non-interacting or rule-agnostic opponent models, leading to more effective maneuvers while consistently maintaining compliance with racing regulations.