Opponent State Inference Under Partial Observability: An HMM-POMDP Framework for 2026 Formula 1 Energy Strategy

작성자

Haebom

카테고리

Empty

저자

Kalliopi Kleisarchaki

💡 개요

2026년 F1 규정 변경으로 인해 경쟁 차량의 숨겨진 상태 추론이 에너지 전략 최적화의 핵심이 되었으며, 이는 단일 에이전트 최적화로는 해결할 수 없는 부분 관찰 확률 게임을 야기합니다. 본 연구는 은닉 마르코프 모델(HMM)을 통해 경쟁 차량의 ERS 충전량, 오버라이드 모드, 타이어 상태를 추론하고, 이를 기반으로 딥 Q-네트워크(DQN)를 사용하여 에너지 배분 전략을 결정하는 2단계 추론 및 의사 결정 프레임워크를 제안합니다. 제안된 방법론은 '카운터-하베스트 함정'과 같은 복잡한 전략을 탐지하고, 합성 경주 시뮬레이션에서 높은 정확도를 달성했습니다.

🔑 시사점 및 한계

•

다중 에이전트 환경에서의 불확실성 관리: 경쟁 차량의 숨겨진 상태에 대한 확률적 추론을 통해 부분 관찰 환경에서의 복잡한 전략 게임을 효과적으로 다룰 수 있음을 보여줍니다.

•

새로운 전략 탐지 및 대응: '카운터-하베스트 함정'과 같이 기존에는 파악하기 어려웠던 기만적인 전략을 탐지하고 대응할 수 있는 가능성을 제시합니다.

•

실제 데이터 기반 보정 및 검증의 필요성: 합성 데이터에서는 높은 성능을 보였으나, 실제 2026년 F1 경주 데이터를 활용한 Baum-Welch 보정과 멜버른과 같이 재충전 가용성이 낮은 서킷에서의 검증이 추가적으로 필요합니다.

PDF 보기

Made with Slashpage