稠密环境下编队飞行的分布式群轨迹优化（一）

稠密环境下编队飞行的分布式群轨迹优化（一）

原文章题目：Distributed Swarm Trajectory Optimization for Formation Flight in
Dense Environments
作者：Lun Quan, Longji Yin, Chao Xu, and Fei Gao
出处：2022 International Conference on Robotics and Automation (ICRA)
原文下载链接：点击下载
主要章节在这里：稠密环境下编队飞行的分布式群轨迹优化（二）
实验部分介绍在这里：稠密环境下编队飞行的分布式集群轨迹优化（三）

摘要

  对于空中集群，在各种场景中广泛采用规定编队导航。然而，相关的规划策略通常缺乏在杂乱环境中避开障碍物的能力。为了解决这一缺陷，我们提出了一种基于优化的方法，可确保编队飞行的无碰撞轨迹生成。在本文中，提出了一种新的可微分度量来量化地层之间的整体相似性距离。然后，我们将该指标制定为优化框架，该框架使用多项式轨迹实现时空规划。该框架还纳入了碰撞惩罚最小化，从而可以同时处理队形保持和避障。为了验证我们方法的效率，我们与其他前沿工作进行了基准比较。与自主分布式空中集群系统集成，所提出的方法在障碍物丰富的环境中的实际实验中证明了其效率和鲁棒性。我们将发布源码供社区参考。

一. 引言

  自主空中集群可用于许多系统和协作任务，例如搜索和救援[1]、协作测绘[2]和包裹递送[3]。在某些情况下，可能需要蜂群按照指定的队形移动。例如，在[4]中，机器人需要形成和维护虚拟围栏来执行动物放牧任务。
  对于编队中的空中集群导航有大量的研究工作，但没有一个能够在障碍物密集的环境中实现稳健的编队飞行。在实践中，为了安全起见，机器人会被排斥偏离障碍物，而编队则强加跟踪目标，这可能会阻碍避障。如何系统地权衡这两个相互冲突的要求是实现不碰撞编队飞行的关键。在文献[5]中，基于共识的局部控制律被广泛用于编队机动。然而，局部控制方案本质上无法在预测范围内进行规划，这严重削弱了其在复杂环境中的实用性。一组基于优化的工作通过对每个智能体实施相对位置约束来维持队形。然而，在这种策略下，在密集场景中，编队会被动地屈服于障碍物，因为周围环境总是可以突破位置限制。总而言之，文献中缺乏一种能够在密集环境中有效管理编队和避障的群体轨迹规划方法。

  为了弥补这一差距，我们提出了一种群体轨迹优化方法，能够在编队中导航群体，同时避开障碍物。我们使用无向图对地层进行建模，并定义一个可微分的基于拉普拉斯的参数，用于评估三维工作空间中地层形状之间的差异。我们的指标不是独立检查每个智能体的跟踪误差，而是定量评估编队维护的整体性能，并凭借其对平移、旋转和缩放的不变性为编队机动提供更大的灵活性。为了制定编队和避障之间的权衡，我们设计了一个无约束优化框架，该框架同时优化可行性成本、碰撞惩罚和编队相似误差的轨迹。基准比较是与其他最先进的方法进行的。最后，为了验证我们的方法的有效性和实用性，在与该方法集成的真实分布式空中集群系统上进行了广泛的实验。
  我们将我们的贡献总结为：
  1）基于微分图论的代价函数，用于量化空间编队之间的相似距离。
  2）具有联合成本函数的分布式优化框架，考虑了编队相似性、避障和动态可行性，使得群体具有在编队中平行移动并避开障碍物的能力。
  3）使用分布式无人机集群系统进行的一系列仿真和实物实验验证了我们方法的效率和鲁棒性。源码发布出来供社区参考。

二、相关工作

A.分布式群体轨迹规划

   分布式集群的轨迹规划有大量的工作。Van Den Berg等人利用并推广了VO（速度障碍）的概念。文献[6]-[8]中实现多个机器人的相互碰撞避免。然而，基于 VO 的方法无法保证所生成轨迹的平滑性，这大大影响了算法在真实机器人系统的可用性。
  为提高无碰撞轨迹的质量，分布式多旋翼机群的文献[9]-[10]广泛引入了基于优化的方法。周等人[12]在后退地平线QP方案中引入Voronoi单元细分，以防止规划时机器人之间的碰撞。陈等人[13]在处理非凸空间中的多智能体规划问题时，采用SCP通过逐步收紧碰撞约束。巴卡等人[14]将MPC与冲突解决策略相结合，以确保室外集群操作时的相互避免碰撞。然而，上述基于优化的方法计算量较大，可能限制规划器在密集场景中的适用性。
最近，周等人在文献[15]提出了一种使用时空轨迹优化的分布式自主四旋翼集群系统，该系统仅在几毫秒内即可在密集环境中生成无碰撞运动。我们的群体轨迹生成方案基于这项工作。

B.多机器人编队导航

   人们提出了多种技术来实现多机器人导航信息，包括虚拟结构[16]、导航功能[17]、反应行为[18]和基于共识的局部控制法[19]。然而，现有方法大多只考虑了无障碍情况。
  一些研究通过设计反馈定律来处理受限场景中的编队导航。例如，韩等人[20]提出了一种基于复值图拉普拉斯算子的编队控制器，通过领导者调节编队规模，以执行预期的群体机动，例如通过走廊。在另一项研究中，赵提出了一种领导者-跟随者控制律，通过该控制律可以仿射地改变队形以响应环境变化。然而，大多数控制方法都依赖于领导者-跟随者方案，其中编队参数只能由领导者访问。
  相对于文献中的领导者-跟随者方案，完全去中心化策略具有更好的可扩展性和对部分故障的弹性。在一项研究中，阿隆索-莫拉等人[22]通过优化地重新排列所需的编队，然后规划局部轨迹，控制无人机编队以避免碰撞。然而，由于分布式规划器中不存在车辆间协调，因此在本地规划阶段不进行编队维护。另一项研究中，周等人[23]将虚拟结构与势场相结合，产生编队飞行的非碰撞轨迹。然而，使用多个相互作用的矢量场进行规划容易导致死锁，并且该方法忽略了轨迹最优性。帕里斯等人[24]在他们的文章中使用DMPC通过对群体施加相对位置约束来解决编队保持问题，但一旦位置限制被障碍物占据，智能体之间的协调就会被动地中断。相比之下，我们采用可微度量制定整体队形要求，使我们的优化器能够同时集中地权衡队形和避障。

注

  本博客主要是对原文的翻译，对其中的内容细节并没有仔细推敲，翻译难免有误，希望各位看客评论区指出。谢谢！在完成数学科技论文与写作课的大作业时，选择了这篇论文，顺带更新了一下博客。