Game theoretical motion planning in autonomous driving

Autonomous vehicles (AVs) have witnessed significant advancements in their capabilities, extending their applications beyond research to real-world deployment in urban environments [11]. As a result, ensuring robust motion planning for navigating complex, multi-agent scenarios has become crucial for safe maneuvering. In this thesis, challenges in this domain are addressed through the development of a novel game-theoretic framework, where the AV’s motion planning is formulated as a multi-agent potential game [7]. Within this framework, each AV’s objective function is optimized while incorporating the effects of all agents’ interactions via a shared potential function, enabling a balance between competitive and cooperative dynamics. Initially, it is assumed that the parameters of all other agents—such as cost function weights, coupling term parameters, and collision avoidance variables—are known. To better account for realistic uncertainty, this assumption is relaxed through the application of an online learning approach that utilizes Bayesian inference with particle filters [61]. Through this technique, the AV’s understanding of other agents’ cost function weights is dynamically updated based on their observed behaviors, allowing for adaptive and responsive planning in real time. Two frameworks are proposed: the first permits communication between agents, enabling parameter inference based on shared observations; the second, more complex framework, eliminates information sharing, requiring each agent to infer unknowns using sensor-based observations. The effectiveness of the proposed methods is demonstrated through simulations of complex driving scenarios. By integrating learning and game-theoretic modeling of agent interactions, this work advances the capability of AVs to anticipate and adapt to dynamic, interactive environments, contributing to safer and more efficient motion planning for autonomous systems.

I veicoli autonomi (AV) hanno registrato significativi progressi nelle loro capacità, estendendo le loro applicazioni oltre la ricerca fino all’implementazione reale in ambienti urbani [11]. Di conseguenza, garantire una pianificazione del movimento robusta per navigare scenari complessi e multi-agente è diventato cruciale per manovre sicure. In questa tesi, le sfide in questo ambito vengono affrontate attraverso lo sviluppo di un nuovo framework teorico basato sul gioco, in cui la pianificazione del movimento degli AV è formulata come un gioco potenziale multi-agente [7]. In questo framework, la funzione obiettivo di ogni AV viene ottimizzata tenendo conto degli effetti delle interazioni di tutti gli agenti attraverso una funzione potenziale condivisa, consentendo un equilibrio tra dinamiche competitive e cooperative. Inizialmente, si assume che i parametri di tutti gli altri agenti—come i pesi della funzione di costo, i parametri del termine di accoppiamento e le variabili di evitamento delle collisioni—siano noti. Per considerare meglio l’incertezza realistica, questa assunzione viene rilassata applicando un approccio di apprendimento online che utilizza l’inferenza bayesiana con filtri particellari [61]. Tramite questa tecnica, la comprensione da parte dell’AV dei pesi della funzione di costo degli altri agenti viene aggiornata dinamicamente in base ai comportamenti osservati, consentendo una pianificazione adattiva e reattiva in tempo reale. Sono proposti due framework: il primo consente la comunicazione tra gli agenti, permettendo l’inferenza dei parametri basata su osservazioni condivise; il secondo, più complesso, elimina la condivisione di informazioni, richiedendo a ogni agente di inferire gli incogniti utilizzando osservazioni basate sui sensori. L’efficacia dei metodi proposti viene dimostrata attraverso simulazioni di scenari di guida complessi. Integrando l’apprendimento e la modellazione teorica del gioco per le interazioni tra gli agenti, questo lavoro migliora la capacità degli AV di anticipare e adattarsi ad ambienti dinamici e interattivi, contribuendo a una pianificazione del movimento più sicura ed efficiente per i sistemi autonomi.