M-Predictive Spliner: Enabling Spatiotemporal Multi-Opponent Overtaking for Autonomous Racing

📄 arXiv: 2506.16301v1 📥 PDF

作者: Nadine Imholz, Maurice Brunner, Nicolas Baumann, Edoardo Ghignone, Michele Magno

分类: cs.RO

发布日期: 2025-06-19

💡 一句话要点

提出M-Predictive Spliner以解决多对手自主赛车决策问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 自主赛车 多智能体系统 轨迹预测 卡尔曼滤波 高斯过程回归 超车策略 决策优化

📋 核心要点

  1. 现有方法往往忽视时空信息，或仅适用于单对手场景，限制了多对手赛车的决策能力。
  2. 本文提出的M-Predictive Spliner方法，结合多对手跟踪与轨迹预测，支持复杂的超车策略。
  3. 实验结果显示，该方法在物理赛车上实现91.65%的超车成功率，安全性显著提升。

📝 摘要（中文）

无约束的多智能体赛车是一个重要的研究挑战，需要在机器人操作能力的极限进行决策。以往的方法要么忽视了决策过程中的时空信息，要么仅限于单对手场景。本文提出的方法支持任意多对手的正面赛车，同时考虑对手的未来意图。该方法采用基于卡尔曼滤波的多对手跟踪器，有效地通过观察关联进行对手重识别。同时，对所有观察到的对手轨迹进行空间和速度的高斯过程回归，提供预测信息以计算超车策略。实验验证表明，该方法在1:10比例的物理自主赛车上实现了高达91.65%的超车成功率，并在与之前的最先进技术相同速度下，安全性平均提高了10.13个百分点。这些结果突显了其在高性能自主赛车中的潜力。

🔬 方法详解

问题定义：本文旨在解决多对手自主赛车中的决策问题，现有方法在处理多对手时缺乏有效的时空信息利用，导致决策能力受限。

核心思路：提出M-Predictive Spliner，通过结合卡尔曼滤波的多对手跟踪与高斯过程回归，来预测对手的未来轨迹，从而优化超车策略。这样的设计使得系统能够在复杂的动态环境中做出更为精准的决策。

技术框架：整体架构包括多对手跟踪模块、轨迹预测模块和超车决策模块。首先，通过卡尔曼滤波对对手进行跟踪，然后利用高斯过程回归对其轨迹进行建模，最后基于预测信息生成超车策略。

关键创新：该方法的创新之处在于同时考虑了对手的未来意图和时空信息，突破了以往方法的局限，使得多对手赛车的决策更加智能化和高效。

关键设计：在参数设置上，采用了适应性调整的卡尔曼滤波器，损失函数设计为结合预测误差与安全性评估的复合函数，以确保超车策略的安全性与有效性。

📊 实验亮点

实验结果显示，M-Predictive Spliner在物理1:10比例的自主赛车上实现了91.65%的超车成功率，相较于之前的最先进技术，安全性平均提升了10.13个百分点。这一成果展示了该方法在高性能自主赛车中的实际应用价值。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在自动驾驶、机器人竞赛和智能交通系统中。通过提升多对手环境下的决策能力，能够为未来的自主系统提供更高的安全性和效率，推动智能交通的发展。

📄 摘要（原文）

Unrestricted multi-agent racing presents a significant research challenge, requiring decision-making at the limits of a robot's operational capabilities. While previous approaches have either ignored spatiotemporal information in the decision-making process or been restricted to single-opponent scenarios, this work enables arbitrary multi-opponent head-to-head racing while considering the opponents' future intent. The proposed method employs a KF-based multi-opponent tracker to effectively perform opponent ReID by associating them across observations. Simultaneously, spatial and velocity GPR is performed on all observed opponent trajectories, providing predictive information to compute the overtaking maneuvers. This approach has been experimentally validated on a physical 1:10 scale autonomous racing car, achieving an overtaking success rate of up to 91.65% and demonstrating an average 10.13%-point improvement in safety at the same speed as the previous SotA. These results highlight its potential for high-performance autonomous racing.