高速策略：多智能体无人机赛跑的学习模型预测博弈
机器人学
2026-02-09 v1 计算机科学与博弈论
摘要
自动化无人机赛跑推动了高速运动规划和多智能体战略决策的边界。成功的关键在于，无人机不仅要在极限速度下导航，还要预判并抵消竞争者的行动。本文研究了此领域的一个根本问题：执行动作前，智能体应深入思考多深？为此，我们比较了两种规划范式：模型预测博弈（MPG），它在计算时间较长的情况下寻找互动感知策略；轮廓模型预测控制（MPC），它快速计算策略，但不推理关于互动。我们进行大量实验以研究这一权衡，发现MPG在中等速度下优于MPC，但由于延迟，在更高速度下失去优势。为解决这一不足，我们提出学习模型预测博弈（LMPG）方法，通过对模型预测博弈进行 amortization 来降低延迟。在模拟和硬件实验中，我们将LMPG与MPG和MPC进行头盾对决赛，发现LMPG在两者都优于。
引用
@article{arxiv.2602.06925,
title = {Strategizing at Speed: A Learned Model Predictive Game for Multi-Agent Drone Racing},
author = {Andrei-Carlo Papuc and Lasse Peters and Sihao Sun and Laura Ferranti and Javier Alonso-Mora},
journal= {arXiv preprint arXiv:2602.06925},
year = {2026}
}