On a Connection between Differential Games, Optimal Control, and Energy-based Models for Multi-Agent Interactions

要約

ゲーム理論は、マルチエージェント相互作用をモデル化するための解釈可能な数学的フレームワークを提供します。
ただし、実世界のロボット工学アプリケーションへの適用は、未知のエージェントの好みや目標など、いくつかの課題によって妨げられています。
これらの課題に対処するために、差分ゲーム、最適制御、エネルギーベースのモデル間の関係を示し、提案するエネルギーベースのポテンシャル ゲーム定式化の下で既存のアプローチをどのように統合できるかを示します。
この定式化に基づいて、この研究では、ゲーム パラメータ推論用のニューラル ネットワークと、帰納的バイアスとして機能する微分可能なゲーム理論の最適化層を組み合わせた、新しいエンドツーエンドの学習アプリケーションが導入されています。
シミュレートされた移動ロボットの歩行者インタラクションと現実世界の自動運転データを使用した実験は、ゲーム理論層がさまざまなニューラル ネットワーク バックボーンの予測パフォーマンスを向上させるという経験的証拠を提供します。

要約(オリジナル)

Game theory offers an interpretable mathematical framework for modeling multi-agent interactions. However, its applicability in real-world robotics applications is hindered by several challenges, such as unknown agents’ preferences and goals. To address these challenges, we show a connection between differential games, optimal control, and energy-based models and demonstrate how existing approaches can be unified under our proposed Energy-based Potential Game formulation. Building upon this formulation, this work introduces a new end-to-end learning application that combines neural networks for game-parameter inference with a differentiable game-theoretic optimization layer, acting as an inductive bias. The experiments using simulated mobile robot pedestrian interactions and real-world automated driving data provide empirical evidence that the game-theoretic layer improves the predictive performance of various neural network backbones.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google