基于嵌套搜索的有效游戏论运动规划

为促进在真实世界中有效、安全的部署，单个机器人必须推理关于与其他代理人（通常以无明确通信方式）相互作用。最近的工作识别出博弈论，特别是纳什均衡（Nash Equilibrium, NE）概念，作为行为感知决策的关键启用器。然而，现有工作未充分释放博弈论推理的潜力。具体而言，流行的基于优化的方法需要简化的机器人动力学，容易陷入局部最小值由于凸化。其他依赖 payoff 矩阵的方法由于对所有可能轨迹的显式枚举导致规模不佳。为填补这一差距，我们引入了游戏论嵌套搜索（Game-Theoretic Nested Search, GTNS），一种新颖的、可扩展的、且可证明正确的方法，用于计算一般动力系统中的NE。GTNS高效地搜索所有参与者的动作空间，同时通过在低维空间上的内部搜索丢弃违反NE约束（不可单向偏离）的轨迹。我们的算法通过利用用户指定的全局目标实现对均衡的显式选择，从而捕获丰富的真实交互。我们在各种自主驾驶和赛车场景上演示了该方法，在普通硬件上仅用数秒即可获得解决方案。