Capture, Shield, or Neutralize: Engagement-Aware Pursuit-Evasion
作者: Ananya Acharya, Trenton Goyette, Masoud Ataei, Adrian Stoica, Vikas Dhiman, Mohammad Javad Khojasteh
分类: eess.SY
发布日期: 2026-07-13
🔗 代码/项目: GITHUB
💡 一句话要点
提出层次控制架构以解决多智能体追逐-逃避问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多智能体系统 追逐-逃避 模型预测控制 安全保障 博弈论 控制理论 动态环境
📋 核心要点
- 现有方法在多智能体追逐-逃避场景中缺乏有效的安全保障与策略规划的解耦，导致反应性较强且不够灵活。
- 本文提出的解决方案通过将追逐-逃避问题建模为零和递归视野博弈，利用迭代的最小最大MPC方案进行求解，增强了策略的前瞻性。
- 实验结果表明，该框架能够在不同的交战规则下灵活调整策略，展现出优越的适应性和性能，无需对控制逻辑进行结构性修改。
📝 摘要（中文）
本文提出了一种层次控制架构，旨在应对多智能体对抗环境中的追逐-逃避问题。该系统将战略任务规划与严格的安全保障解耦，采用零和递归视野博弈的形式，通过迭代的最小最大模型预测控制（MPC）方案进行求解。追逐者能够通过横向速度惩罚预测并阻止逃避者的轨迹，而不依赖于反应性的启发式编队。为确保在不妨碍MPC凸性的情况下实现无碰撞操作，论文引入了离散时间的控制 Barrier 函数（CBF）作为内环安全过滤器。通过模拟实验，展示了该框架的适应性，能够根据共享零和收益和CBF约束的权重变化，灵活切换攻击性追逐-逃避战术与严格的周界防御，展现出在不同交战规则下的强大性能。
🔬 方法详解
问题定义：本文旨在解决多智能体对抗环境中的追逐-逃避问题，现有方法往往在安全性和策略灵活性上存在不足，难以有效应对复杂的动态环境。
核心思路：论文的核心思路是将追逐-逃避建模为零和递归视野博弈，采用迭代的最小最大模型预测控制（MPC）方案，使追逐者能够通过预测逃避者的轨迹来进行主动干预，而非被动反应。
技术框架：整体架构包括战略任务规划模块和安全保障模块。战略模块负责制定追逐和逃避策略，而安全模块则通过控制Barrier函数（CBF）确保在执行过程中不发生碰撞。
关键创新：最重要的技术创新在于将追逐-逃避问题转化为零和博弈，并通过MPC与CBF的结合实现了安全性与策略灵活性的有效解耦，显著提升了系统的适应性。
关键设计：在设计中，采用了离散时间的CBF作为内环安全过滤器，确保了在动态环境中操作的安全性。同时，通过调整共享零和收益和CBF约束的权重，系统能够灵活切换不同的战术策略。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的框架在不同的交战规则下表现出色，能够在攻击性追逐与防御策略之间灵活切换，且在多次实验中均未发生碰撞，展现出优异的安全性与适应性。
🎯 应用场景
该研究的潜在应用领域包括无人机编队、机器人巡逻、智能交通系统等多种需要多智能体协同作战的场景。其创新的控制架构能够在复杂环境中实现高效的追逐与逃避策略，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
This paper introduces a hierarchical control architecture for multi-agent adversarial environments, decoupling strategic task planning from rigorous safety assurance. The system formulates pursuit-evasion as a zero-sum receding-horizon game, solved via an iterative minimax \acl{mpc} scheme. This allows pursuers to anticipate and block evader trajectories using transverse velocity penalties rather than relying on reactive heuristic formations. To guarantee collision-free operation without compromising the convexity of the \acl{mpc}, a discrete-time \acl{cbf} operates as an inner-loop safety filter. Through simulated experiments, we demonstrate the framework's adaptability. By simply altering the weights of the shared zero-sum payoff and \acl{cbf} constraints, the swarm can fluidly switch from aggressive pursuit-evasion tactics to strict perimeter defense and area denial, demonstrating robust performance across varying rules of engagement without structural changes to the control logic. The source code is available: https://github.com/ananya-ac/pursuit-evasion-mpc-cbf.