RaceMOP: Mapless Online Path Planning for Multi-Agent Autonomous Racing using Residual Policy Learning

本文中提到的多智能体自主赛车中的交互式决策制定，提供了超越自动驾驶汽车领域的有价值的见解。无地图在线路径规划特别具有实际吸引力，但由于有限的规划范围，对于安全超车对手构成了挑战。因此，本文介绍了RaceMOP，这是一种为F1TENTH赛车的多智能体赛车设计的无地图在线路径规划的新方法。与依赖预定义赛车路线的经典规划器不同，RaceMOP在没有地图的情况下运行，仅依赖于本地观察来以高速超越其他赛车。我们的方法将人工势场方法作为基本策略，与残差策略学习相结合，引入了长期规划能力。我们通过在概率空间中直接与残差策略融合的新方法，推进了领域研究。我们在12个模拟赛道上的实验验证了RaceMOP能够在超车机动中实现长期决策，并具有强大的碰撞回避能力。RaceMOP表现出比现有无地图规划器更优异的处理能力，同时适用于未知赛道，为我们的方法在机器人领域的进一步应用铺平了道路。我们在http://github.com/raphajaner/racemop上提供了RaceMOP的开源代码。

论文旨在解决F1TENTH车辆的多智能体自主竞赛中的在线路径规划问题，特别是在安全超车对手方面的挑战。

RaceMOP是一种新的方法，结合了人工势场方法和残差策略学习，能够在没有地图的情况下进行在线路径规划，并具有长程规划能力。

论文提出了一种新的策略融合方法，能够直接在概率空间中将残差策略与基础策略融合；实验结果表明，RaceMOP在超车时具有良好的决策能力和避碰能力，比现有的无地图规划器更优秀。

最近的相关研究包括使用深度强化学习进行路径规划的研究，如《End-to-End Learning of Driving Models from Large-Scale Video Datasets》。