Subdimensional Expansion for Multirobot Path Planning论文阅读

Abstract

本文介绍了一种称为Subdimensional Expansion （子维扩展）的多机器人路径规划新框架。
该框架最初单独规划每个机器人的路径，然后根据需要协调机器人之间的运动。
子维扩展最初在多机器人系统的联合配置空间中创建一个一维搜索空间。如果在规划过程中搜索空间因机器人间冲突而受阻，就会局部增加搜索空间的维度，以确保找到替代路径。这意味着只有在必要时才协调机器人，从而降低了寻找路径的计算成本。
本文提出了 M* 算法，是一种子维扩展的实现，改良自 A* 规划器。
M* 被证明是完整的并且可以找到最小成本路径。
仿真结果表明 M* 优于现有的最优多机器人路径规划算法。
关键词：运动和路径规划，多智能体系统

一、子维扩展

子维扩展本身不是一个具体的算法，而是一种操作现有搜索算法的搜索空间的方法，旨在降低解决多机器人路径规划问题的计算成本。

子维扩展的工作流程

首先为每个机器人计算一个单独的策略，该策略确定了机器人到其目标配置的最优路径，不考虑其他机器人。
各机器人遵循个体策略的结果是形成了一个联合策略路径。
子维扩展通过个体策略来引导在系统的联合配置空间中构建一个变维的搜索空间。
默认联合策略路径初始时是没有碰撞的，每个机器人跟随自己的策略。
初始搜索空间是一维，每个机器人独立执行计划，规划过程是完全解耦的。
当潜在的规划发现机器人-机器人碰撞时，涉及的机器人可以从个体策略中偏离，局部提升搜索空间的维度。
在维度增加的区域，规划视为对碰撞中涉及的机器人的联合操作的搜索，即对这些机器人进行耦合规划。
尽管在最坏的情况下，搜索空间可能会增长到覆盖整个联合配置空间，但在许多问题中，子维扩展可以构建一个低维度的搜索空间，这样就可以有效计算出高质量的路径。

条件——机器人交互稀疏

如果机器人之间的交互是稀疏的，那么多机器人路径规划问题可以分为两部分：为个别机器人规划路径，以及最优解决机器人之间的冲突。

两种结构——“反向传播集合”和“碰撞集合”

它们的作用是确保仅在必要的地方和必要的程度上扩展搜索空间。

1. 反向传播集合

当基础规划器发现碰撞时，子维扩展会扩展搜索空间，这种扩展沿着通往碰撞点的所有路径进行。
反向传播集合用于沿着所有探索路径将关于碰撞的信息传回碰撞点。
反向传播集合用于将碰撞信息传递回所有通往碰撞点的已探索路径。举例来说，如果基础规划器是A*，当一个顶点被扩展时，它会被添加到每个出边邻居的反向传播集合中。

2. 碰撞集合

碰撞集合帮助我们了解哪些机器人在移动中可能会发生碰撞。
子维扩展利用“碰撞集合”来收集有关碰撞的信息，并决定搜索空间的局部维度。
假如我们在搜索的过程中来到了某一点q，那么q点的碰撞集合就包含了所有在这一点或途径这一点可能会发生碰撞的机器人。
若一个配置（也就是机器人的一个特定状态）还未被探索过，我们就认为这个点的碰撞集合为空。
当规划系统探索到一个新配置并且发现了碰撞，相关的机器人就会被添加到这个点的碰撞集合中。并且会利用反向传播集合来更新这个信息，确保与这一点有关的所有其他点都能得到碰撞信息的更新。

对于碰撞集合中的机器人的协调，需要考虑碰撞集合中所有机器人的所有可能共同行动。
非碰撞集合中的机器人将继续遵循它们个体规划出的路径。
因此，搜索空间是局部维度增加。整体上，搜索空间的维度仍然有可能比它所嵌入的联合配置空间的维度要低。
由于搜索空间嵌入在联合配置空间之中，搜索空间中的每个点都完整地定义了整个系统的配置，无论搜索空间的局部维度如何。

二、M*