[论文解读] A Survey of Distributed Optimization Methods for Multi-Robot Systems

Trevor Halsted, Ola Shorinwa+2 more|arXiv (Cornell University)|Mar 23, 2021

Distributed Control Multi-Agent Systems参考文献 119被引用 6

一句话总结

本综述提出了一种统一框架，用于将分布式优化应用于多机器人系统，通过仿真评估了三类方法——分布式梯度下降（DGD）、分布式序列凸规划和一致性ADMM（C-ADMM）。仿真结果表明，C-ADMM由于其鲁棒性、收敛特性以及在机器人领域非凸和约束问题中的适用性，成为最有效的方法。

ABSTRACT

Distributed optimization consists of multiple computation nodes working together to minimize a common objective function through local computation iterations and network-constrained communication steps. In the context of robotics, distributed optimization algorithms can enable multi-robot systems to accomplish tasks in the absence of centralized coordination. We present a general framework for applying distributed optimization as a module in a robotics pipeline. We survey several classes of distributed optimization algorithms and assess their practical suitability for multi-robot applications. We further compare the performance of different classes of algorithms in simulations for three prototypical multi-robot problem scenarios. The Consensus Alternating Direction Method of Multipliers (C-ADMM) emerges as a particularly attractive and versatile distributed optimization method for multi-robot systems.

研究动机与目标

• 提供适用于多机器人系统的分布式优化方法的全面综述。
• 评估不同分布式优化算法在真实机器人应用中的实际适用性。
• 在典型多机器人场景（如目标跟踪、快递配送和协同制图）的仿真中比较算法性能。
• 识别将分布式优化应用于机器人时面临的关键挑战，包括非凸性、通信约束和计算限制。
• 倡导C-ADMM作为一种特别有效且通用的多机器人系统优化方法，因其具备良好的收敛性和鲁棒性。

提出的方法

• 将分布式优化方法分为三类：分布式梯度下降（DGD）、分布式序列凸规划和一致性ADMM（C-ADMM）。
• 采用通用框架，其中每个机器人执行本地计算，并通过网状网络通信，协同最小化联合目标函数。
• 采用基于一致性技术的方法，使机器人能够在不共享原始数据的情况下，计算出等效于集中式系统的解。
• 通过局部子问题求解和对偶上升更新应用C-ADMM，实现收敛至共同最优或局部最优解。
• 模拟了三个典型机器人问题：多架无人机目标跟踪、协同快递配送和协同制图，采用真实的通信与计算模型。
• 通过在外层循环使用连续二次逼近，并在内层循环中通过C-ADMM求解每个子问题，将C-ADMM适配于非凸问题。

实验结果

研究问题

• RQ1 在通信和计算资源受限的实际多机器人场景中，不同类别的分布式优化算法表现如何？
• RQ2 在机器人应用中，分布式梯度下降、序列凸规划和C-ADMM的关键优势与局限性是什么？
• RQ3 为何C-ADMM相较于其他方法更适用于非凸和约束型多机器人优化问题？
• RQ4 通信可靠性与计算约束如何影响分布式优化在真实机器人系统中的性能与可行性？
• RQ5 将分布式优化方法适配至实时、资源受限的机器人平台时，仍存在哪些开放性挑战？

主要发现

• 在所有三个典型多机器人问题场景（目标跟踪、快递配送和协同制图）的仿真中，C-ADMM均优于其他分布式优化方法。
• C-ADMM在凸问题中可收敛至全局最优解，在非凸问题中可收敛至共同的局部最优解，其解的质量与集中式计算相当。
• 该方法天然适用于约束优化问题，可通过连续二次逼近或非凸子问题求解方式，灵活适配非凸目标函数。
• 分布式梯度下降方法收敛速度慢，在非光滑或非凸环境下鲁棒性较差，尤其在存在通信延迟时表现更差。
• 现有分布式优化方法通常假设通信可靠且计算资源充足，但这一假设在真实机器人系统中往往不成立，凸显了当前研究中的关键差距。
• 目前缺乏在多机器人系统硬件平台上实现分布式优化算法的实际案例，表明亟需在真实物理平台上开展实证验证。