LUCIDGames：用于自适应轨迹预测与规划的在线无迹逆动态博弈方法
机器人学
2020-11-17 v1 计算机科学与博弈论
摘要
现有的博弈论规划方法假设机器人先验地知道其他智能体的目标函数，而在实际场景中这很少成立。本文介绍 LUCIDGames，一种逆最优控制算法，能够实时估计其他智能体的目标函数，并将这些估计在线纳入滚动时域博弈论规划器中。LUCIDGames 通过将逆最优控制问题重构为递归参数估计框架来求解该问题。LUCIDGames 使用无迹卡尔曼滤波器（UKF）迭代更新对其他智能体代价函数参数的贝叶斯估计，并随着从其他智能体观测轨迹收集到更多数据而在线改进该估计。随后，规划器通过在不确定性椭圆约束下为机器人规划轨迹，来考虑其他智能体贝叶斯参数估计中的不确定性。该算法假设机器人与环境中其他智能体之间无显式通信或协调。LUCIDGames 的 MPC 实现在复杂自动驾驶场景中展示了 40 Hz 更新频率的实时性能。实证结果表明，LUCIDGames 相较于现有博弈论和传统 MPC 规划方法提升了机器人性能。我们对 LUCIDGames 的实现可在 https://github.com/RoboticExplorationLab/LUCIDGames.jl 获取。
引用
@article{arxiv.2011.08152,
title = {LUCIDGames: Online Unscented Inverse Dynamic Games for Adaptive Trajectory Prediction and Planning},
author = {Simon Le Cleac'h and Mac Schwager and Zachary Manchester},
journal= {arXiv preprint arXiv:2011.08152},
year = {2020}
}
备注
Submitted to ICRA 2021