【论文笔记】Enhanced Decentralized Autonomous Aerial Swarm with Group Planning

摘要：自主空中蜂群仍然是机器人技术的一大挑战。该领域的现有工作可分为集中式和分散式。集中式方法面临规模困境，而分散式方法往往导致规划质量差。在本文中，我们提出了一个具有群规划的增强型分散式自主空中群系统。根据智能体的空间分布，系统动态地将群体划分为若干组和孤立的智能体。针对每个小组内的冲突，我们提出了一种新的协调机制，称为小组规划(group planning)。群体规划包括高效的多智能体寻径(multi-agent pathfinding)和轨迹联合优化(trajectory joint optimization)，可以显著提高规划质量和成功率。我们的仿真和实际实验表明，我们的方法不仅适用于大规模群体，而且具有顶级的规划质量。

目录

1.引言

2.相关工作

A.Multi-Agent Pathfinding

B.Aerial Swarm

3.增强式空中集群框架

4.高效多智能体寻径

A.High-level Search

B.Low-level Search

5.群轨迹联合优化

A.MINCO Trajectory Class

B.Joint Optimizaton problem Formulation

6.评估

A.Efficient Multi-Agent Pathfinding

B.Comparisons

C.The Large-scale Simulation

D.Discussion On Map Sharing

7.真机实验

A.室内

B.室外

8.总结

---

1.引言

        机器人群是机器人技术中的一项重大挑战，在未来 5 到 10 年内将取得巨大的进步和影响[1]。 空中蜂群作为蜂群社区的热门话题，可以解决人类文明面临的诸多挑战，如自然灾害、太空殖民、空中交通等。

        从计算和通信资源的部署方式来看，空中集群规划可分为集中式和分散式两种。 集中式方法[2]-[5]同时解决所有agent的规划问题，然后将规划方案分配给每个agent，但是agent之间的交互使复杂性组合增加。 此外，在线共享大型机器人群的信息是不切实际的。 上述问题阻碍了将集中式方法应用于现实世界中的大型机器人团队。 最近，我们的研究社区见证了去中心化方法 [6]-[8] 的出现，尽管它们可以通过分摊计算和通信来应用于更大规模的群体，但规划仅使用单个agent的环境信息。 结果，规划质量和成功率随着规模的增加而下降，尤其是在障碍物密集的环境中。

        针对上述问题，我们提出了一种具有群规划的增强型分散式空中蜂群系统。本文解决了效率和质量的矛盾，平衡了个人和群体之间的协调，并为空中蜂群引入了一个强大而灵活的框架（图3）。我们认为建设一个适用的大型空中机群的挑战是双重的。需要一个强有力的轨迹规划骨干，以及灵活的分组机制来解决源自agent和环境的潜在冲突。当智能体聚集在一个狭窄的空间中时，我们根据它们的空间分布动态地形成若干组，而当它们分散时，我们将每个智能体视为一个独立的个体。对于组，我们提出了一种称为组规划的方法，作为完全分散方法的可移植插件。它利用多个agent的完整信息进行轨迹规划，其中可能会发生难以解决的相互碰撞。我们首先实现了一种在线多agent寻路（multi-agent pathfinding）方法来生成多个无冲突路径。基于这些路径，我们提出了一种轨迹优化方法，使得所有轨迹都能收敛到联合最优解。利用我们的group planning策略，与[8]中的解决方案相比，提出的系统是一个显著增强的分散系统。

        我们将我们的方法与最先进的方法进行比较。实验结果表明，该方法能以最少的重新规划次数生成最短的飞行时间和轨迹距离。此外，我们实现了分布式自主空中集群的系统解决方案。而感知、规划、控制和通信被集成到机载系统中。本文的贡献概述如下：

1）：一种更有效的三维在线多智能体路径查找方法，结合ECBS  [9]，用于查找接近最优轨迹的多个无冲突路径。

2）：增强的分散式自主空中集群系统，具有群体规划，可按需进行联合优化，以显着提高规划质量和成功率。

3）：我们系统的开放源代码已通过仿真和实际实验进行了广泛验证。

2.相关工作

A.Multi-Agent Pathfinding

        MAPF问题是在给定的起始位置和目标位置下，为组中的每个Agent找到一个时空无碰撞路径。表I总结了对应于MAPF的基于搜索的方法的属性。

 

B.Aerial Swarm

3.增强式空中集群框架

4.高效多智能体寻径

A.High-level Search

B.Low-level Search

5.群轨迹联合优化

A.MINCO Trajectory Class

B.Joint Optimizaton problem Formulation

6.评估

A.Efficient Multi-Agent Pathfinding

B.Comparisons

C.The Large-scale Simulation

D.Discussion On Map Sharing

7.真机实验

A.室内

B.室外

8.总结

在这项工作中，我们提出了一种增强的分散式自主空中集群系统，具有群体规划。 该系统解决了规划效率和轨迹质量的冲突，平衡了个人和群体的协调。 广泛的评估展示了顶级规划质量和大规模空中集群部署的能力。 真实世界的实验证明了系统的鲁棒性和灵活性。 未来，我们将进一步提高多智能体寻路方法的效率和可扩展性，同时考虑进诺动态约束。 我们还将探索在交通领域的应用。