[论文解读] Joint Communication-Motion Planning in Wireless-Connected Robotic Networks: Overview and Design Guidelines

Bo Zhang, Yunlong Wu+2 more|arXiv (Cornell University)|Nov 7, 2015

Distributed Control Multi-Agent Systems参考文献 48被引用 7

一句话总结

本文针对无线连接机器人网络（WCRNs）提出联合通信-运动规划（JCMP）方法，通过受OODA模型启发的架构，整合移动性与通信优化。理论分析与仿真结果表明，通过利用预测知识和动态自适应，多阶段JCMP相比单阶段方法实现17.7%的能效提升，优于传统的通信感知运动规划（CAMP）。

ABSTRACT

Recent years have witnessed the prosperity of robots and in order to support consensus and cooperation for multi-robot system, wireless communications and networking among robots and the infrastructure have become indispensable. In this technical note, we first provide an overview of the research contributions on communication-aware motion planning (CAMP) in designing wireless-connected robotic networks (WCRNs), where the degree-of-freedom (DoF) provided by motion and communication capabilities embraced by the robots have not been fully exploited. Therefore, we propose the framework of joint communication-motion planning (JCMP) as well as the architecture for incorporating JCMP in WCRNs. The proposed architecture is motivated by the observe-orient-decision-action (OODA) model commonly adopted in robotic motion control and cognitive radio. Then, we provide an overview of the orient module that quantify the connectivity assessment. Afterwards, we highlight the JCMP module and compare it with the conventional communication-planning, where the necessity of the JCMP is validated via both theoretical analysis and simulation results of an illustrative example. Finally, a series of open problems are discussed, which picture the gap between the state-of-the-art and a practical WCRN.

研究动机与目标

• 解决通信感知运动规划（CAMP）的局限性，后者将通信视为固定参数，仅优化移动性。
• 通过在多机器人系统中联合优化运动与通信，克服CAMP性能次优的问题。
• 设计一种受OODA（观察-调整-决策-行动）模型启发的实用WCRN架构，实现实时自适应。
• 识别并解决在连通性质量度量（CQM）设计、计算复杂度与系统实现方面影响实际部署的关键开放问题。
• 通过微ROS（micROS）等先进框架与基于软件定义无线电（SDR）的测试平台，实现可扩展、智能化的机器人网络。

提出的方法

• 提出一种基于OODA的WCRN架构，集成感知、连通性评估与联合通信-运动规划（JCMP）模块。
• 采用连通性质量度量（CQM）如信噪比（SNR）、误帧率（PER）与数据速率，用于实时网络性能评估。
• 利用动态规划（DP）进行多阶段优化，以利用历史知识与未来预测，提升能效。
• 采用近似动态规划与机器学习中的降维技术，缓解多机器人、多自由度系统中的维度灾难问题。
• 提出一种可重构的智能机器人操作系统（micROS），基于ROS构建，支持JCMP部署与基于GNU Radio的SDR-CQM验证。
• 通过仿真示例验证JCMP，对比单阶段与多阶段优化，结果表明能效显著提升。

实验结果

研究问题

• RQ1 如何通过联合优化通信与运动规划，提升无线连接机器人网络中的能效与连通性？
• RQ2 现有CAMP方法在固定通信方案、仅优化移动性的前提下存在哪些局限性？
• RQ3 基于预测知识的多阶段JCMP在能效节省与性能表现上为何优于单阶段优化？
• RQ4 在多机器人、多接入的WCRNs中，设计准确、面向任务的连通性质量度量（CQM）面临哪些关键挑战？
• RQ5 实际部署平台如何支持JCMP在真实机器人系统中的部署与测试？

主要发现

• 通过利用预测知识与自适应规划，多阶段JCMP相比单阶段方法实现17.7%的能效节省。
• 理论分析与仿真结果表明，JCMP通过充分挖掘空间、时间、频率与能量维度的自由度，优于传统CAMP。
• 基于统计模型的现有CQM方法可能因过度简化真实信道效应，导致误导性JCMP设计。
• 在多接入、多机器人网络中，CQM评估仍为开放问题，主要源于复杂拓扑结构与动态干扰。
• JCMP中的动态规划面临维度灾难带来的计算挑战，需借助近似DP与机器学习技术实现降维。
• micROS平台与基于SDR的测试框架可实现JCMP与CQM在真实场景中的实用化部署与验证。