[论文解读] Implicit Multiagent Coordination at Unsignalized Intersections via Multimodal Inference Enabled by Topological Braids

Christoforos Mavrogiannis, Jonathan DeCastro+1 more|arXiv (Cornell University)|Apr 10, 2020

Robotic Path Planning Algorithms参考文献 39被引用 9

一句话总结

本文提出了一种去中心化的规划框架，通过使用拓扑辫子（topological braids）对非通信代理在无信号交叉口的隐式协调行为进行建模与推断，实现多智能体行为模式的建模。通过将联合轨迹表示为辫子词（braid words），并利用概率推理减少对未来行为模式的不确定性，该方法相比基于轨迹的基线方法，碰撞频率降低了65%以上，同时保持了高效性。

ABSTRACT

We focus on navigation among rational, non-communicating agents at unsignalized street intersections. Following collision-free motion under such settings demands nuanced implicit coordination among agents. Often, the structure of these domains constrains multiagent trajectories to belong to a finite set of modes. Our key insight is that empowering agents with a model of these modes can enable effective coordination, realized implicitly via intent signals encoded in agents' actions. In this paper, we represent modes of joint behavior in a compact and interpretable fashion using the formalism of topological braids. We design a decentralized planning algorithm that generates actions aimed at reducing the uncertainty over the mode of the emerging multiagent behavior. This mechanism enables agents that individually run our algorithm to collectively reject unsafe intersection crossings. We validate our approach in a simulated case study featuring challenging multiagent scenarios at a four-way unsignalized intersection. Our model is shown to reduce frequency of collisions by >65% over a set of baselines explicitly reasoning over trajectories, while maintaining comparable time efficiency.

研究动机与目标

• 解决在缺乏通信与显式协调的无信号交叉口处实现安全、去中心化导航的挑战。
• 通过利用智能体轨迹中的拓扑结构，在高不确定性环境中降低碰撞风险。
• 通过基于拓扑辫子的意图推断实现隐式协调，避免依赖显式信号或轨迹预测。
• 设计一种去中心化规划器，以减少对未来多智能体行为模式的不确定性，从而提升安全性和效率。
• 在复杂、多智能体的交叉口场景中，于现实条件下验证该方法的有效性，包括注意力不集中的智能体情形。

提出的方法

• 使用拓扑辫子表示多智能体行为模式，将成对轨迹交叉表示为辫子词。
• 构建概率推理机制，基于观测到的控制轨迹和系统路径，更新对辫子模式的信念。
• 设计基于代价的规划器，选择动作以最小化对未来辫子模式的不确定性，优先考虑安全与高效的协调。
• 利用轨迹的时空投影提取拓扑特征，并识别对应于不同交叉模式的独立辫子构型。
• 将规划问题分解为有限的拓扑结果空间（辫子），与完整轨迹空间相比，显著降低了计算复杂度。
• 基于观测到的控制轨迹和系统路径进行信念更新，实现实时不确定性降低，无需显式通信。

实验结果

研究问题

• RQ1 拓扑辫子能否有效抽象并表示多智能体交叉口导航中有限的行为模式集合？
• RQ2 智能体如何通过从观测动作中推断联合行为的拓扑模式，实现在无通信情况下的隐式协调？
• RQ3 对辫子模式的不确定性降低在无信号交叉口场景中，能在多大程度上提升安全性和效率？
• RQ4 在不确定性环境下（如注意力不集中的智能体）下，基于辫子的推理机制表现如何？
• RQ5 与直接基于轨迹的推理相比，拓扑抽象能否显著降低多智能体规划的计算复杂度？

主要发现

• 在模拟的四向交叉口场景中，所提方法相比基于轨迹的基线方法，碰撞频率降低了65%以上。
• 尽管处于更复杂的推理空间中，该框架的运行时间效率与基线方法相当。
• 在涉及注意力不集中的智能体的场景中，该方法表现出鲁棒性，有效处理了其他智能体行为模型的不确定性。
• 相关辫子结果空间远小于完整轨迹空间——例如，在4个智能体、深度为5的场景中，仅有7,777种可能的辫子，而轨迹空间则大得难以想象。
• 拓扑辫子实现了对结果空间的有效压缩，表明其可作为结构化多智能体领域中直接轨迹推理的可扩展替代方案。
• 该方法通过意图推断实现了隐式协调，使智能体能够集体拒绝不安全的交叉模式，而无需显式信号。