基于演示的多智能体动态博弈约束学习：聚焦局部纳什互动
机器学习
2026-03-19 v5 系统与控制
系统与控制
摘要
我们提出了一种基于逆动态博弈的算法，从给定的多个智能体之间局部纳什平衡互动数据集中学习参数化约束。具体而言，我们引入混合整数线性规划（Mixed-Integer Linear Programs, MILP），对编码 interacting 智能体的 Karush-Kuhn-Tucker（KKT）条件进行建模，从而恢复与互动演示的局部纳什 stationarity 一致的约束。我们建立了理论保证，表明该方法学习的约束是真实安全与不安全集合的内逼近。我们还利用该方法恢复的互动约束来设计运动计划，以稳健地满足 underlying 约束。通过仿真和硬件实验，我们的方法准确推断出约束，并为各种约束类型（包括凸和非凸）从具有非线性动力学的智能体互动演示中设计出安全的交互运动计划。
引用
@article{arxiv.2508.19945,
title = {Constraint Learning in Multi-Agent Dynamic Games from Demonstrations of Local Nash Interactions},
author = {Zhouyu Zhang and Chih-Yuan Chiu and Glen Chou},
journal= {arXiv preprint arXiv:2508.19945},
year = {2026}
}