Robust Spatiotemporal Motion Planning for Multi-Agent Autonomous Racing via Topological Gap Identification and Accelerated MPC

📄 arXiv: 2603.09188v1 📥 PDF

作者: Mingyi Zhang, Cheng Hu, Yiqin Wang, Haotong Qin, Hongye Su, Lei Xie

分类: cs.RO

发布日期: 2026-03-10

💡 一句话要点

提出基于拓扑间隙识别与加速MPC的多智能体自主赛车鲁棒时空运动规划方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 自主赛车 运动规划 模型预测控制 拓扑间隙识别 多智能体系统

📋 核心要点

  1. 现有高速多智能体自主赛车方法通常过度简化交互或放弃严格的运动学约束，导致规划鲁棒性不足。
  2. 该方法通过预测对手行为构建动态占用走廊，并利用加速MPC确保运动学可行性，从而实现鲁棒的时空规划。
  3. 实验表明，该方法在超车时间、成功率和计算效率方面均优于现有技术，显著提升了自主赛车性能。

📝 摘要（中文）

本文提出了一种拓扑间隙识别与加速模型预测控制（MPC）框架，用于解决高速多智能体自主赛车中鲁棒时空规划和精确控制问题。该方法通过随机梯度过程（SGPs）预测对手行为，构建动态占用走廊，从而稳健地选择最佳超车间隙。利用定制的伪瞬态延续（PTC）求解器加速线性时变MPC，确保严格的运动学可行性，并实现高频执行。在F1TENTH平台上的实验结果表明，该方法显著优于现有技术，在顺序场景中总操作时间减少51.6%，在密集瓶颈中始终保持超过81%的超车成功率，平均计算延迟降低20.3%，从而推动了安全高速自主赛车的边界。

🔬 方法详解

问题定义：论文旨在解决高速多智能体自主赛车场景下的鲁棒时空运动规划问题。现有方法的痛点在于，要么过度简化智能体之间的交互，导致规划结果不够安全；要么无法满足严格的运动学约束，导致车辆无法精确执行规划轨迹；同时，计算复杂度高，难以满足实时性要求。

核心思路：论文的核心思路是结合拓扑间隙识别和加速模型预测控制（MPC）。首先，通过预测其他智能体的行为，识别出可供超车的拓扑间隙，并构建动态占用走廊，从而保证规划的安全性。其次，利用定制的伪瞬态延续（PTC）求解器加速线性时变MPC，确保规划轨迹满足严格的运动学约束，并实现高频执行，从而保证规划的精确性和实时性。

技术框架：整体框架包含以下几个主要模块：1) 行为预测模块：使用随机梯度过程（SGPs）预测其他智能体的行为。2) 拓扑间隙识别模块：基于预测的智能体行为，识别可供超车的拓扑间隙，并构建动态占用走廊。3) 运动规划模块：使用线性时变MPC生成满足运动学约束的轨迹。4) 控制执行模块：将规划的轨迹发送给车辆控制器执行。

关键创新：最重要的技术创新点在于：1) 提出了一种基于拓扑间隙识别的动态占用走廊构建方法，能够有效地处理多智能体之间的交互，保证规划的安全性。2) 利用定制的伪瞬态延续（PTC）求解器加速线性时变MPC，显著降低了计算复杂度，满足了实时性要求。与现有方法的本质区别在于，该方法能够同时保证规划的安全性、精确性和实时性。

关键设计：在行为预测模块中，使用了随机梯度过程（SGPs）来建模其他智能体的行为，并考虑了预测的不确定性。在拓扑间隙识别模块中，使用了基于Voronoi图的拓扑分析方法，能够有效地识别可供超车的间隙。在运动规划模块中，使用了线性时变MPC，并利用定制的伪瞬态延续（PTC）求解器加速求解过程。PTC求解器的具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在F1TENTH平台上显著优于现有技术。在顺序场景中，总操作时间减少了51.6%。在密集瓶颈中，超车成功率始终保持在81%以上。平均计算延迟降低了20.3%。这些数据表明，该方法在提高自主赛车性能方面具有显著优势。

🎯 应用场景

该研究成果可应用于无人驾驶赛车、自动驾驶车辆的避障与路径规划、以及其他需要多智能体协同的机器人系统。通过提高自主赛车的速度、安全性和可靠性，该研究有助于推动无人驾驶技术的发展和应用，并为相关领域提供新的解决方案。

📄 摘要（原文）

High-speed multi-agent autonomous racing demands robust spatiotemporal planning and precise control under strict computational limits. Current methods often oversimplify interactions or abandon strict kinematic constraints. We resolve this by proposing a Topological Gap Identification and Accelerated MPC framework. By predicting opponent behaviors via SGPs, our method constructs dynamic occupancy corridors to robustly select optimal overtaking gaps. We ensure strict kinematic feasibility using a Linear Time-Varying MPC powered by a customized Pseudo-Transient Continuation (PTC) solver for high-frequency execution. Experimental results on the F1TENTH platform show that our method significantly outperforms state-of-the-art baselines: it reduces total maneuver time by 51.6% in sequential scenarios, consistently maintains an overtaking success rate exceeding 81% in dense bottlenecks, and lowers average computational latency by 20.3%, pushing the boundaries of safe and high-speed autonomous racing.