[论文解读] RLSS: Real-time Multi-Robot Trajectory Replanning using Linear Spatial Separations

Baskın Şenbaşlar, Wolfgang Hönig+1 more|arXiv (Cornell University)|Mar 13, 2021

Robotic Path Planning Algorithms参考文献 27被引用 5

一句话总结

RLSS 是一种用于多机器人系统的分布式、实时轨迹重规划算法，通过基于线性空间分离的硬约束确保无碰撞运动。该算法无需通信，仅依赖本地相对感知，且在密集动态环境中相比最先进方法（如 DMPC）能消除死锁并减少碰撞，同时在物理机器人上保持实时性能。

ABSTRACT

Trajectory replanning is a critical problem for multi-robot teams navigating dynamic environments. We present RLSS (Replanning using Linear Spatial Separations): a real-time trajectory replanning algorithm for cooperative multi-robot teams that uses linear spatial separations to enforce safety. Our algorithm handles the dynamic limits of the robots explicitly, is completely distributed, and is robust to environment changes, robot failures, and trajectory tracking errors. It requires no communication between robots and relies instead on local relative measurements only. We demonstrate that the algorithm works in real-time both in simulations and in experiments using physical robots. We compare our algorithm to a state-of-the-art online trajectory generation algorithm based on model predictive control, and show that our algorithm results in significantly fewer collisions in highly constrained environments, and effectively avoids deadlocks.

研究动机与目标

• 解决在通信受限或不可靠的高密度、动态多机器人环境中实时、安全轨迹重规划的挑战。
• 开发一种分布式算法，在不依赖集中协调或机器人间通信的情况下强制执行硬性安全约束。
• 在显式建模机器人动力学的前提下，确保对环境变化、机器人故障和轨迹跟踪误差的鲁棒性。
• 在仿真和物理实验中均实现对异构机器人团队的实时性能。
• 在安全性与死锁避免方面优于现有分布式方法（如 DMPC），即使以略微降低路径效率为代价。

提出的方法

• 该算法采用滚动时域轨迹优化，将其表述为凸二次规划（QP），以实现实时轨迹计算。
• 通过基于机器人与障碍物之间相对位置测量所得的线性空间分离的硬约束来强制实现碰撞避免。
• 每台机器人仅使用对其他机器人和障碍物的本地感知独立规划自身轨迹，无需通信。
• 通过将运动学极限纳入优化过程，显式建模机器人动力学，确保轨迹可行性。
• 当硬约束 QP 不可行时，算法退化为软约束公式以报告失败并避免碰撞。
• 轨迹表示为三次分段 Bézier 曲线，实现平滑且可微的运动规划。

实验结果

研究问题

• RQ1 一种完全分布式、无通信的多机器人轨迹重规划算法是否能在实时条件下强制执行硬性安全约束？
• RQ2 在密集环境中，RLSS 与 DMPC 相比在碰撞避免和死锁发生方面表现如何？
• RQ3 RLSS 在动态扰动和跟踪误差下，能在多大程度上保持实时性能和安全性？
• RQ4 RLSS 是否能有效部署在无通信的物理异构机器人平台上？
• RQ5 与基于通信的方法相比，缺乏通信在轨迹效率方面会产生何种影响？

主要发现

• 在全部 8 个实验设置中，RLSS 实现了零死锁，而 DMPC 在 4 个设置中累计发生 24 次死锁。
• 在所有仿真中，RLSS 的碰撞次数显著少于 DMPC，最坏情况下为 0–46 次碰撞，而 DMPC 为 33–20,131 次碰撞。
• RLSS 每次迭代的平均计算时间为 14.78ms（最坏情况 272.33ms），虽高于 DMPC 的 1.05ms 平均值，但仍处于实时性能范围内。
• 在物理实验中，RLSS 在 iRobot Create2、Turtlebot2、Turtlebot3 和 Crazyflie 2.0 上成功运行，展示了在真实环境中的鲁棒性。
• 尽管在某些情况下路径长度更长，RLSS 仍能提供完整且正确的解，保证碰撞避免；而 DMPC 在高密度下无法维持安全性。
• 当安全约束无法满足时，该算法能正确报告不可行性，确保在受限环境中也不会发生碰撞。