Tactical Game-theoretic Decision-making with Homotopy Class Constraints

我们提出了一种战术同伦感知决策框架，用于城市环境下的博弈论运动规划。我们将城市驾驶建模为广义纳什均衡问题，并采用混合整数方法来控制运动规划中的组合问题。具体而言，通过利用同伦类，我们将高维解空间分成有限的、明确定义的子区域。每个子区域（同伦）对应一个高层次的战术决策，例如车手之间的超车顺序。所提出的公式允许以可计算的方式通过解决混合整数二次规划问题找到全局最优纳什均衡。每个同伦决策由一个二进制变量表示，该变量激活不同的线性碰撞避免约束集。这个额外的同伦约束使得寻找解决方案更加高效（在环形交叉口场景中平均快了5倍）。我们在rounD数据集中选取的场景上进行了实验验证。基于仿真的滚动视野测试展示了该框架实现全局最优解的能力，并且相较于没有同伦约束的实现，计算时间平均减少了78%。

论文提出了一个战术同伦感知的决策框架，用于城市环境下的博弈论运动规划。研究旨在解决城市驾驶中的广义纳什均衡问题，并采用混合整数方法来解决运动规划中组合问题的方案。

通过利用同伦类，将高维解空间划分为有限的、明确定义的子区域。每个子区域（同伦）对应于一个高层次的战术决策，例如参与者之间的超车顺序。该方案允许以可计算的方式找到全局最优纳什均衡。

论文使用rond数据集对所提出的方法进行了实验验证，并以逐步退化的方式进行了仿真测试。实验结果表明，该框架具有实现全局最优解的能力，并且相对于没有同伦约束的实现，计算时间平均减少了78％。

最近在这个领域中，还有一些相关的研究被进行，例如“Game Theoretic Motion Planning for Autonomous Driving with Control Barrier Functions”和“Decentralized Learning for Multi-Agent Systems with Adversarial Interactions”。