GNN-Accelerated Mixed-Integer Dual MPC for Interactive Driving

📄 arXiv: 2609.18679v1 📥 PDF

作者: Yidan Zhu, Shuhao Qi, Luyao Zhang, Sofie Haesaert, Jonas Mårtensson

分类: eess.SY

发布日期: 2026-09-16

备注: 9 pages, 8 figures

💡 一句话要点

提出混合整数双重MPC以解决多车道互动驾驶问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 图神经网络 自动驾驶 多车道驾驶 复杂互动 决策优化 实时计算

📋 核心要点

  1. 现有的双重MPC方法在多车道和多个对手的复杂互动场景中表现不佳，计算负担较重。
  2. 本文提出了一种混合整数双重MPC，结合GNN预测来优化多车道多对手的操控决策，提升求解效率。
  3. 实验结果显示，GNN指导下的决策固定率达到76.3%，求解时间平均减少2.5倍，且保持了良好的最优性。

📝 摘要（中文）

在与不确定对手的互动中，双重模型预测控制（MPC）通过信息寻求行为来提高性能，减少对手行为的不确定性。然而，现有的应用仅限于单车道单对手场景。本文提出了一种混合整数双重MPC，适用于多车道上多个反应性对手，联合优化整数值的操控决策（如变道和安全区域选择）与连续运动，通过情景树采样与对手的合理互动。为降低求解混合整数非线性规划的计算负担，采用图神经网络（GNN）预测最佳操控决策，并在求解简化问题前固定高置信度预测。仿真结果表明，在复杂互动场景中，主动探测行为得以实现，GNN指导下76.3%的整数决策被固定，求解时间平均减少2.5倍，且最优性几乎没有下降。

🔬 方法详解

问题定义：本文旨在解决多车道上多个反应性对手的互动驾驶问题。现有的双重MPC方法在处理复杂场景时计算量大，难以实时应用。

核心思路：通过引入混合整数双重MPC，联合优化操控决策与运动轨迹，同时利用GNN进行决策预测，以降低求解复杂度。

技术框架：整体架构包括三个主要模块：1) 情景树构建，采样与对手的合理互动；2) GNN预测模块，提供高置信度的操控决策；3) 优化求解模块，基于固定的决策进行求解。

关键创新：最重要的创新在于将GNN与混合整数双重MPC结合，显著提高了求解效率，尤其在复杂互动场景中表现优异。

关键设计：GNN模型的设计包括特征提取层和决策输出层，损失函数采用均方误差以优化预测精度，参数设置经过多次实验调优以确保模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GNN指导下的决策固定率达到76.3%，求解时间平均减少2.5倍，显示出在复杂互动场景中显著提升了计算效率，且保持了良好的最优性，具有重要的实际应用价值。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶汽车、智能交通系统和人机交互等。通过提高多车道复杂场景下的决策效率，能够显著提升自动驾驶系统的安全性与可靠性，推动智能交通技术的发展。

📄 摘要（原文）

In interactions with uncertain opponents, dual model predictive control (MPC) can improve performance through information-seeking actions that reduce uncertainty about opponents' behavior. Its recent applications to autonomous driving, however, are limited to scenarios involving a single opponent on a single lane. This paper presents a mixed-integer dual MPC for multiple reactive opponents on multi-lane roads, jointly optimizing integer-valued maneuver decisions (lane changes and safe-region selections), and continuous motion over a scenario tree that samples plausible interactions with the opponents. As interaction complexity increases, solving the resulting mixed-integer nonlinear program becomes increasingly expensive. To reduce this computational burden, a graph neural network (GNN) predicts the optimal maneuver decisions, and high-confidence predictions are fixed before the reduced problem is solved. Simulations show that active probing behavior emerges in complex interactive scenarios, and that GNN guidance fixes $76.3\%$ of the integer decisions and reduces the solve time by $2.5\times$ on average, with negligible degradation of optimality.