20.1 多机器人规划分类
如果按照机器人的是否是中心化的控制方式,可分为中心化和去中心化:
- 中心化:中央控制器控制所有机器人
- 去中心化:所有机器人规划决定自己的行为
- 去中心化的优势
- 应对通讯丢失或限制
- 应对节点丢失问题
- 计算上可扩展
- 去中心化的挑战
- 如何保证所有的机器人都完成整体的任务
按照目标来分:
- 多机器人路径规划:为多个机器人规划出不碰撞的路径
- 多机器人协作任务规划:完成整体协作任务的多个机器人的规划
按照机器人的规模来划分:
- 小规模:2-10
- 大规模:10-1000,去中心化
中心化的规划方式又可以分成关节状态空间规划和分布式规划
- 关节空间规划:在关节位型状态空间中规划
- 分布式规划:分成几个单独的规划器,然后共享规划结果,从而生成最终规划
![78d555876143d87bdc037ecf5fb8b262.png](https://i-blog.csdnimg.cn/blog_migrate/a7d86e250652ab8141d13e7c517961b7.jpeg)
20.2 多机器人路径规划
20.2.1 简单场景
给定两个机器人的起始和终点位置,请规划出路径使两个机器人无碰撞地到达目标。
![84234ef19f6e27527a33b3c3cf6fa4ea.png](https://i-blog.csdnimg.cn/blog_migrate/bac8a6f4ee8d0d945cd19b36fc964f4c.png)
20.2.2 关节状态空间规划
最简单的方法就是构建图,然后在图上进行搜索。每一个状态编码的是所有机器人的位置,每个行为对应的是所有可能的移动,扩展过程如下图所示。
- 假设是4联通图,最大的分支系数(行为/后继者)是多少?
- 图的大小?
- 可扩展性是一个很大的问题
![7e01d5a72449d849abef178a01025867.png](https://i-blog.csdnimg.cn/blog_migrate/1dfb8ee110604323f8229ba51abbd786.jpeg)
20.2.3 分布式规划
在分布式规划中,一个比较流行的方法是优先级规划,每一次规划都需要把时间当作规划的一个维度。
For i = 1:N
Compute path for robot
- 是否完备?
- 是否最优?
- 复杂性如何?
20.3 多机器人协作/任务分配
- N个机械臂合作去移动物体
- N个机器人在未知环境中探索建图
20.3.1 分布式贪婪建图
One approach: Distributed Greedy Mapping
For i = 1:N
Compute a path using Greedy Mapping approach for robot
单个机器人贪婪建图
- 按照最短路径移动机器人至最近未探索位置
- 获得信息增益
- 保证能达到的位置建图
20.3.2 基于市场的方法
基于市场的方法是一种非常流行的分布式方法,其具有以下特点
- 考虑将任务分配给N个机器人
- 通用策略:机器人同队友竞价任务以提高自己的收入
给定N个机器人
- 开始以任意策略执行
- 所有的机器人以最高价来竞拍任务
- 所有的机器人
按照出价
- 机器人将任务卖给出家低于最大价格
的最小买家然后获得利润
20.3.3 基于领导的方法
基于领导的方法是一种完全去中心化的方法,不需要机器人之间的通讯
- 只需要规划“领头”机器人
- 其他机器人只是在避障的同时执行“跟随领导”或者“跟随视野内邻居机器人”指令
![d435e8db1ad50908daae7bf1eb483e7c.png](https://i-blog.csdnimg.cn/blog_migrate/d5b86a6d200f5f1df0bb62ae0f67c0ec.png)
20.4 总结
学完本课,你应该知道
- 多机器人规划的不同类型
- 中心化和去中心化
- 关节状态空间规划和分布式规划
- 多机器人路径规划和协作式任务规划
- 优先级多机器人路径规划
- 基于市场的多机器人规划方法