人群导航的混合策略纳什均衡
内容提要
本文综述多智能体交互与博弈研究，涵盖人机交互轨迹预测、混合在线POMDP导航、Nash均衡无人机赛车、社交导航潜空间学习、粒子动态混合纳什均衡求解、深度强化学习多子目标导航、平衡状态推断、零阶优化连续博弈、多智能体纳什均衡强化学习及无导数博弈均衡算法，旨在提升导航安全与效率。
延伸解读
从轨迹预测到博弈均衡：人群导航的技术演进
文章梳理了2016至2023年间多智能体交互与博弈研究的关键进展。早期工作侧重人机交互轨迹预测，随后混合在线POMDP规划被用于处理多模态不确定性，而Nash均衡则被引入无人机赛车等竞争场景。这些研究共同指向一个趋势：人群导航正从单纯预测转向策略性交互，通过博弈论框架提升安全与效率。
混合策略均衡的求解方法：从梯度到无导数
针对混合纳什均衡求解，文章介绍了多种方法：粒子动态法适用于高维零和持续游戏，零阶优化结合平滑梯度估计器可处理无梯度信息的连续行动博弈，而Gaussian-process与Bayesian优化则能在黑盒成本下可靠求解均衡。这些方法各有侧重，选择时需考虑问题维度、梯度可获性及计算成本。
社交导航与平衡状态推断：提升交互质量
社交导航潜空间学习通过生成控制实现更平滑、可预测的轨迹，并引入人类认知概念以改善交互。平衡状态推断框架则通过推断其他代理的均衡状态来降低不确定性，从而更准确预测轨迹并降低所有玩家成本。两者均强调了对他人意图的建模，是提升人群导航社会接受度的关键。
Q&A
混合策略纳什均衡在人群导航中有什么作用？
混合策略纳什均衡用于解决多智能体交互中的不确定性问题，通过推断其他代理方的平衡状态，机器人可以更准确地预测轨迹并降低所有玩家的成本，从而提升导航安全与效率。
有哪些方法可以求解连续博弈中的混合纳什均衡？
可以使用基于零阶优化技术的方法，结合平滑梯度估计器和均衡查找动态，采用神经网络建模玩家策略（特别是随机策略网络建模混合策略），在无梯度信息下快速找到高质量近似均衡。此外，粒子动态法使用梯度下降法也能在高维度零和持续游戏中找到混合纳什均衡。
如何利用深度强化学习实现多智能体人群导航？
可以采用基于深度强化学习的多子目标机器人导航方法，使用图神经网络编码所有机器人和人类的历史信息进行交互，以提高预测未来场景的能力，并引入选择模块减少不可靠位置点，从而在拥挤人类环境中更好地满足任务需求和避免碰撞。
社交机器人导航中如何学习潜空间来生成控制？
通过从社交动作潜空间中学习生成机器人控制，该方法在成功率、导航时间和轨迹长度等社交导航度量指标上取得显著改进，同时产生更平滑（较小加速度和角度偏差）和更具预测性的轨迹。引入人类对机器人的认知概念后，人类能与机器人积极互动，导致更短、更平滑的轨迹。
在无人机赛车中如何应用纳什均衡进行策略规划？
提出了一种基于Nash均衡的多人无人机赛车策略规划算法，并通过基于视觉的方法估计对手位置，该算法在无人机赛车模拟和实际硬件试验中表现出有效的竞争力。
如何在没有梯度信息的情况下求解博弈均衡？
可以采用Gaussian-process和Bayesian optimization框架，提出适用于derivative-free环境下求解游戏均衡的算法，相比传统基于导数的算法，能在可接受的黑盒计算成本下可靠地求得均衡。
