[论文解读] Finding Coordinated Paths for Multiple Holonomic Agents in 2-d Polygonal Environment

Pavel Janovský, Michal Čáp+1 more|arXiv (Cornell University)|Feb 14, 2014

Robotic Path Planning Algorithms参考文献 7被引用 8

一句话总结

本文提出 ORCA-RRT*，一种结合 RRT* 规划与反应式碰撞避让（ORCA）的混合算法，用于解决二维多边形环境中的多智能体路径规划问题。通过整合 RRT* 逃离局部极小值的能力与 ORCA 在高密度场景下的高效性，ORCA-RRT* 在单一方法无法解决的复杂实例中实现了更高的成功率和更优的解质量，尤其在高智能体数量和大半径配置下表现突出。

ABSTRACT

Avoiding collisions is one of the vital tasks for systems of autonomous mobile agents. We focus on the problem of finding continuous coordinated paths for multiple mobile disc agents in a 2-d environment with polygonal obstacles. The problem is PSPACE-hard, with the state space growing exponentially in the number of agents. Therefore, the state of the art methods include mainly reactive techniques and sampling-based iterative algorithms. We compare the performance of a widely-used reactive method ORCA with three variants of a popular planning algorithm RRT* applied to multi-agent path planning and find that an algorithm combining reactive collision avoidance and RRT* planning, which we call ORCA-RRT* can be used to solve instances that are out of the reach of either of the techniques. We experimentally show that: 1) the reactive part of the algorithm can efficiently solve many multi-agent path finding problems involving large number of agents, for which RRT* algorithm is often unable to find a solution in limited time and 2) the planning component of the algorithm is able to solve many instances containing local minima, where reactive techniques typically fail.

研究动机与目标

• 解决在具有多边形障碍物的二维环境中协调多个全向智能体实现无碰撞路径的挑战。
• 评估现有方法——RRT* 和 ORCA——在复杂多智能体路径规划问题上的局限性。
• 开发并验证一种结合规划与反应式技术优势的混合算法。
• 在高智能体数量、大智能体半径及存在局部极小值的场景下，提升解质量与成功率。
• 证明 RRT* 与 ORCA 的结合能够解决以往难以处理的问题实例。

提出的方法

• ORCA-RRT* 算法将 RRT* 规划与 ORCA 的互惠碰撞避让机制相结合，实现实时安全性与最优性保证。
• 利用 RRT* 在状态空间中通过随机采样探索并逃离局部极小值，同时 ORCA 确保执行过程中的即时无碰撞运动。
• 该算法为任意时间算法，通过不断优化 RRT* 树并利用 ORCA 调整速度，随时间逐步提升解质量。
• 测试了三种 RRT* 变体：Line-RRT*、VisibilityGraph-RRT* 和 ORCA-RRT*，其中 ORCA-RRT* 同时结合了两种组件。
• 算法在连续空间中运行，将智能体建模为具有非可忽略尺寸的圆形，同时考虑多边形障碍物。
• 在不同时间限制、智能体数量和智能体半径条件下评估了成功率与解质量。

实验结果

研究问题

• RQ1 结合 RRT* 与 ORCA 的混合方法是否能在解决复杂多智能体路径规划问题时优于任一方法单独使用？
• RQ2 规划与反应式避让的结合如何提升在高智能体数量或大半径场景下的成功率？
• RQ3 ORCA-RRT* 在多大程度上克服了通常会使反应式方法（如 ORCA）陷入的局部极小值问题？
• RQ4 解质量随时间如何演变？在时间约束下，ORCA-RRT* 是否能保持渐进式改进？
• RQ5 是否存在单独使用 RRT* 或 ORCA 均无法解决，但 ORCA-RRT* 可以解决的问题实例？

主要发现

• ORCA-RRT* 在高智能体数量与大半径场景下成功率接近 1，当两者同时达到极端值时仅出现轻微下降。
• 该算法成功解决了 RRT* 与 ORCA 单独均无法解决的实例，尤其在需要长时间协调的狭窄走廊场景中表现优异。
• ORCA-RRT* 始终保持最高的解质量，在时间限制为 5 秒和 1 秒时，超过 50% 的测试实例中其子最优性排名首位。
• 尽管 ORCA 早期即可获得高质量解，但随时间推移无法进一步改进；相比之下，ORCA-RRT* 展现出渐进式改进，解质量随时间持续提升。
• VisibilityGraph-RRT* 在子最优性排名中表现最差，而 Line-RRT* 由于采样更快表现更优，但两者均不及 ORCA-RRT*。
• 规划（RRT*）与反应式避让（ORCA）的结合使 ORCA-RRT* 能够同时应对高密度场景与局部极小值问题，而这两类问题单独依赖任一组件均无法解决。