SGTP: サンプリングベースのゲーム理論的プランニングによるリアルタイム複数車両自動運転レース

要旨

自律多車両レースでは、激しい相互作用の中で多様な競争行動をリアルタイムに計画することが求められる。既存のプランナーは、戦略的多様性と計算効率のバランスを取ることにしばしば苦慮している。この課題に対処するため、我々はサンプリングベースのゲーム理論的計画（SGTP）を提案する。これは、ゲーム理論的推論とGPU加速による制御系列および動力学ロールアウトのサンプリングを組み合わせたリアルタイムフレームワークである。サンプリングされた軌道は、競争的相互作用を捉えるためにゲームを考慮したコストを用いてランク付けされ、多様なレース行動を生成する。次に、我々のプランナーはトラック境界制約と動的衝突回避制約を明示的に強制することで実現可能性選択を実行し、レース戦略間の安全かつ信頼性の高い遷移を保証する。挑戦的なトラックでの大規模シミュレーションにより、SGTPは高相互作用レースにおいて95.24%の勝率と99.35%のタスク完了率を達成し、複数の反復解法ステップにわたる平均計算時間は0.095秒であることを示す。また、最大10エージェントの大規模シナリオにおけるSGTPの適用成功も実証する。我々はコードを公開し、将来の研究を促進するためにマルチエージェント自律レースアルゴリズムのオープンソースベンチマークを提供する。プロジェクトページ: https://sgtp-racing.github.io/。

English

Autonomous multi-vehicle racing requires real-time planning of diverse competitive behaviors in intense interactions. Existing planners often struggle to balance strategic diversity and computational efficiency. To address this challenge, we propose Sampling-based Game-Theoretic Planning (SGTP), a real-time framework that combines game-theoretic reasoning with GPU-accelerated sampling of control sequences and dynamics rollouts. Sampled trajectories are ranked using a game-aware cost to capture competitive interactions and generate diverse racing behaviors. Our planner then performs feasibility selection by explicitly enforcing track-boundary and dynamic collision-avoidance constraints, ensuring safe and reliable transitions between racing strategies. Extensive simulations on challenging tracks show that SGTP achieves a 95.24% win rate and a 99.35% task-completion ratio in highly interactive races, with a mean computational time of 0.095 s over multiple iterative solving steps. We also demonstrate the successful application of SGTP in large-scale scenarios with up to 10 agents. We release our code and provide an open-source benchmark of multi-agent autonomous racing algorithms to facilitate future research. Project page: https://sgtp-racing.github.io/.