[论文解读] Coordinating the Motion of Labeled Discs with Optimality Guarantees under Extreme Density

Rupesh Chinta, Shuai D. Han+1 more|arXiv (Cornell University)|Jul 9, 2018

Robotic Path Planning Algorithms参考文献 14被引用 3

一句话总结

本文提出了一种多项式时间算法，可在机器人密度超过50%的二维环境中，为标记的单位圆盘实现常数因子的时间最优性——通过将连续运动问题转化为三角形网格上的离散路由任务来实现。一种互补的快速ILP方法进一步提升了解的质量，即使在极端密集条件下也能生成近似最优的路径规划。

ABSTRACT

We push the limit in planning collision-free motions for routing uniform labeled discs in two dimensions. First, from a theoretical perspective, we show that the constant-factor time-optimal routing of labeled discs can be achieved using a polynomial-time algorithm with robot density over $50\%$ in the limit (i.e., over half of the workspace may be occupied by the discs). Second, from a more practical standpoint, we provide a high performance algorithm that computes near-optimal (e.g., $1.x$) solutions under the same density setting.

研究动机与目标

• 解决在极高密度二维环境中对标记刚体（单位圆盘）进行时间最优运动规划的挑战。
• 通过在保持最优性保证的前提下实现高机器人密度（超过50%），克服密集多机器人路由的计算不可解性。
• 开发一种完整、确定性且多项式时间的算法，用于在极端密度下实现时间最优路由，超越以往方法仅适用于约23%密度的限制。
• 提供一种实用、高性能的基于ILP的算法，在无多项式时间保证的情况下，实现密集配置下的近似最优解。
• 在自动化仓库等应用中实现可扩展且可证明高效的路由，其中高空间效率和高能效至关重要。

提出的方法

• 将标记单位圆盘的连续运动问题转化为基于三角形网格的离散多机器人路由问题，前提是中心间最小距离为8/3。
• 利用基于网格的转换方法，确保最小的最优性损失，并允许使用具有理论保证的离散路由算法。
• 设计一种低多项式时间的三角形网格路由算法，强制执行任意两圆盘不得同时占据同一三角形的约束。
• 将先前工作中快速的基于ILP的方法适配至三角形网格，引入在共享三角形上避免同时移动的约束。
• 提出一种新颖的离散化过程——DiscretizeOLDR，将连续配置映射到三角形网格，同时保持分离性并支持最优性分析。
• 应用k路分割启发式方法，将基于ILP的求解器扩展至更大规模问题实例，提升在大规模密集环境中的运行时间和解的质量。

实验结果

研究问题

• RQ1 在机器人密度超过工作区50%的情况下，能否实现对标记单位圆盘的时间最优路由，且具备可证明的最优性保证？
• RQ2 如何有效将刚体的连续运动规划问题转化为三角形网格上的离散路由问题，同时保持最优性？
• RQ3 离散化对解的质量有何影响，特别是在接近理论极限的高密度配置中？
• RQ4 在极端密度条件下，实用的快速基于ILP的算法能否在解的质量和可扩展性方面超越现有方法？
• RQ5 在多机器人路由中，三角形网格与六边形网格相比，在可实现密度、解质量及计算效率方面有何差异？

主要发现

• 所提出的多项式时间算法在机器人密度超过50%时，对标记圆盘路由保证了O(1)的时间最优性，通过8/3中心间距的三角形网格离散化实现。
• 基于ILP的方法（TriILP）计算出近似最优解，在4路分割启发式下，110个机器人的实例可在55秒内求解，最优性比为1.65。
• 对于包含232个顶点的三角形网格，TriILP在8路分割下于55秒内求解140个机器人问题，最优性比为1.65。
• 在8/3间距下，20个机器人的紧凑实例中，该方法在2.1秒内获得1.5最优解，展现出在紧密配置下的高效率。
• 采用8路分割时，完整流水线（DiscretizeOLDR + TriILP）在21.93秒内求解120个机器人问题，最优性比为3.88，显示出良好的可扩展性与鲁棒性。
• 性能对比表明，尽管模型规模更大，TriILP在解的质量和可扩展性方面仍优于HexILP，主要得益于更高的密度利用率和更低的离散化损失。