Energy-based Potential Games for Joint Motion Forecasting and Control

要約

本研究では、ゲーム理論を数学的枠組みとして用い、マルチエージェントの運動予測と制御における相互作用モデリングに取り組む。その解釈可能性にもかかわらず、自動運転のような実世界のロボット工学にゲーム理論を適用すると、未知のゲームパラメータなどの課題に直面する。このような課題に取り組むため、我々は、微分ゲーム、最適制御、およびエネルギーベースのモデルの間の接続を確立し、我々が提案するエネルギーベースのポテンシャルゲームの定式化の下で既存のアプローチがどのように統一できるかを示す。これを基に、ゲームパラメータ推論のためのニューラルネットワークと、帰納的バイアスの役割を果たす微分可能なゲーム理論的最適化レイヤーを組み合わせた、新しいエンドツーエンドの学習アプリケーションを紹介する。分析により、2つのシミュレーションと2つの実走行データセットを用いて、ゲーム理論層が解釈可能性を追加し、様々なニューラルネットワークのバックボーンの予測性能を向上させるという実証的証拠を提供する。

要約(オリジナル)

This work uses game theory as a mathematical framework to address interaction modeling in multi-agent motion forecasting and control. Despite its interpretability, applying game theory to real-world robotics, like automated driving, faces challenges such as unknown game parameters. To tackle these, we establish a connection between differential games, optimal control, and energy-based models, demonstrating how existing approaches can be unified under our proposed Energy-based Potential Game formulation. Building upon this, we introduce 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 analysis provides empirical evidence that the game-theoretic layer adds interpretability and improves the predictive performance of various neural network backbones using two simulations and two real-world driving datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL