SGTP: 실시간 다중 차량 자율 경주를 위한 샘플링 기반 게임 이론적 계획

초록

자율 다중 차량 경주는 치열한 상호작용 속에서 다양한 경쟁적 행동을 실시간으로 계획해야 한다. 기존 계획 기법들은 종종 전략적 다양성과 계산 효율성 사이의 균형을 맞추는 데 어려움을 겪는다. 이러한 문제를 해결하기 위해, 우리는 샘플링 기반 게임 이론적 계획(SGTP)을 제안한다. 이는 게임 이론적 추론과 GPU 가속 제어 시퀀스 샘플링 및 동역학 롤아웃을 결합한 실시간 프레임워크이다. 샘플링된 궤적들은 게임 인지 비용을 통해 순위가 매겨지며, 경쟁적 상호작용을 포착하고 다양한 경주 행동을 생성한다. 그런 다음 우리의 계획기는 트랙 경계 및 동적 충돌 회피 제약 조건을 명시적으로 강제하는 실현 가능성 선택을 수행하여 경주 전략 간의 안전하고 신뢰할 수 있는 전환을 보장한다. 까다로운 트랙에서의 광범위한 시뮬레이션을 통해 SGTP는 고도로 상호작용적인 경주에서 95.24%의 승률과 99.35%의 임무 완료 비율을 달성하고, 여러 반복 해법 단계에 걸쳐 평균 계산 시간이 0.095초임을 보여준다. 또한 최대 10개 에이전트가 포함된 대규모 시나리오에서 SGTP의 성공적인 적용을 입증한다. 우리는 코드를 공개하고 향후 연구를 촉진하기 위해 다중 에이전트 자율 경주 알고리즘의 오픈소스 벤치마크를 제공한다. 프로젝트 페이지: 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/.