RaceMOP：基于残差策略学习的多智能体自主赛车无地图在线路径规划
机器人学
2024-09-17 v2
摘要
多智能体自主赛车中的交互式决策提供了超越自动驾驶汽车领域的宝贵见解。无地图在线路径规划具有特别的实际吸引力，但由于规划视野有限，对安全超车对手构成了挑战。为解决这一问题，我们引入了 RaceMOP，这是一种专为 F1TENTH 赛车多智能体竞赛设计的无地图在线路径规划新方法。与依赖预定义赛车线的传统规划器不同，RaceMOP 无需地图，仅利用局部观测来执行高速超车机动。我们的方法将人工势场法作为基础策略，并结合残差策略学习以实现长视野规划。我们通过提出一种直接在概率空间中进行残差策略融合的新方法推动了该领域的发展。在十二个模拟赛道上的大量实验验证了 RaceMOP 能够在超车机动中进行长视野决策并具备鲁棒的避撞能力。RaceMOP 展示了优于现有无地图规划器的操控性能，并能泛化到未知赛道，证实了其在机器人技术中更广泛应用潜力。我们的代码可在 http://github.com/raphajaner/racemop 获取。
引用
@article{arxiv.2403.07129,
title = {RaceMOP: Mapless Online Path Planning for Multi-Agent Autonomous Racing using Residual Policy Learning},
author = {Raphael Trumpp and Ehsan Javanmardi and Jin Nakazato and Manabu Tsukada and Marco Caccamo},
journal= {arXiv preprint arXiv:2403.07129},
year = {2024}
}
备注
IEEE/RSJ International Conference on Intelligent Robots and Systems 2024