[论文解读] A Multi-Agent System for Autonomous Mobile Robot Coordination

Norberto Sousa, Nuno Oliveira+1 more|arXiv (Cornell University)|Sep 25, 2021

Advanced Manufacturing and Logistics Optimization参考文献 13被引用 5

一句话总结

本文提出了一种基于ROS和Gazebo的可扩展多智能体系统（MAS），用于在制造环境中协调多个TIAGo机器人实现自主物料搬运。该系统采用顺序和均衡的任务分配算法，实现在模拟工厂环境中动态、防碰撞的协调，通过激光传感器实现实时障碍物避让。

ABSTRACT

The automation of internal logistics and inventory-related tasks is one of the main challenges of modern-day manufacturing corporations since it allows a more effective application of their human resources. Nowadays, Autonomous Mobile Robots (AMR) are state of the art technologies for such applications due to their great adaptability in dynamic environments, replacing more traditional solutions such as Automated Guided Vehicles (AGV), which are quite limited in terms of flexibility and require expensive facility updates for their installation. The application of Artificial Intelligence (AI) to increase AMRs capabilities has been contributing for the development of more sophisticated and efficient robots. Nevertheless, multi-robot coordination and cooperation for solving complex tasks is still a hot research line with increasing interest. This work proposes a Multi-Agent System for coordinating multiple TIAGo robots in tasks related to the manufacturing ecosystem such as the transportation and dispatching of raw materials, finished products and tools. Furthermore, the system is showcased in a realistic simulation using both Gazebo and Robot Operating System (ROS).

研究动机与目标

• 为解决在制造环境中使用自主移动机器人（AMR）实现动态内部物流自动化的挑战。
• 开发一种可扩展的多智能体系统（MAS），用于在复杂、实时的任务中协调多个AMR，如物料运输和工具调度。
• 实现机器人之间灵活、去中心化的协调，最大限度减少人工干预，提升在动态环境中的适应能力。
• 在基于ROS和Gazebo的逼真仿真环境中验证系统，展示其在障碍物避让和任务分配方面的鲁棒性。

提出的方法

• 系统使用一个主控智能体协调两台TIAGo机器人，每台机器人根据其能力被分配特定的任务类型（例如，一台负责物料，另一台负责工具）。
• 任务分发通过两种算法实现：顺序算法（按顺序分配任务，等待机器人可用）和均衡算法（根据兼容性和预计完成时间在机器人之间分配任务）。
• 每台机器人利用激光扫描传感器数据实现实时障碍物检测，并动态调整路径以避免碰撞。
• 仿真环境基于ROS和Gazebo构建，模拟一个包含原材料区、工具区和成品区的三维工厂车间。
• 系统在模块化、可扩展的架构中集成感知、导航与协调逻辑，便于轻松扩展新算法或机器人类型。
• 碰撞避免通过让机器人在障碍物清除前等待来实现，确保在动态环境中安全导航。

实验结果

研究问题

• RQ1 如何在动态、现实的制造环境中有效协调多个AMR完成物流任务？
• RQ2 在多机器人协同物料搬运中，顺序与均衡任务分配策略的性能差异是什么？
• RQ3 自主机器人如何在共享的、不可预测的工作空间中保持安全导航与障碍物避让？
• RQ4 基于ROS/Gazebo的仿真在多大程度上能准确反映真实世界中多机器人系统的协调挑战？
• RQ5 所提出的MAS架构在集成新机器人、新任务或基于AI的感知模块方面具有多大程度的可扩展性？

主要发现

• 均衡任务分配算法通过根据机器人能力与预计完成时间分配任务，显著减少了空闲时间，提升了整体系统效率。
• 系统成功在模拟工厂环境中协调了两台TIAGo机器人，每台机器人均根据任务兼容性正确地获取了物料和工具。
• 基于激光扫描的障碍物检测实现了实时碰撞避免，使机器人在检测到障碍物时能够动态调整路径。
• 仿真结果表明，MAS能够以最少的人工干预处理复杂、多步骤的任务，如产品装配与清理。
• 模块化架构支持无缝集成新任务类型与算法，而无需大规模代码重构，证实了其可扩展性。