[论文解读] Deadlock-free, Safe, and Decentralized Multi-Robot Navigation in Social Mini-Games via Discrete-Time Control Barrier Functions

Rohan Chandra, Vrushabh Zinage+3 more|arXiv (Cornell University)|Aug 21, 2023

Robotic Path Planning Algorithms被引用 4

一句话总结

本文提出了一种去中心化、安全且无死锁的多机器人导航框架，适用于受限环境，采用博弈论控制屏障函数（CBFs）。通过将死锁化解为改进型‘Chicken’博弈中的纳什均衡，并结合模型预测控制与CBFs，该方法在最小状态扰动下确保了活性与安全性，在F1/10机器人和波士顿动力Spot的实际测试中表现优于基线方法。

ABSTRACT

We present an approach to ensure safe and deadlock-free navigation for decentralized multi-robot systems operating in constrained environments, including doorways and intersections. Although many solutions have been proposed that ensure safety and resolve deadlocks, optimally preventing deadlocks in a minimally invasive and decentralized fashion remains an open problem. We first formalize the objective as a non-cooperative, non-communicative, partially observable multi-robot navigation problem in constrained spaces with multiple conflicting agents, which we term as social mini-games. Formally, we solve a discrete-time optimal receding horizon control problem leveraging control barrier functions for safe long-horizon planning. Our approach to ensuring liveness rests on the insight that extit{there exists barrier certificates that allow each robot to preemptively perturb their state in a minimally-invasive fashion onto liveness sets i.e. states where robots are deadlock-free}. We evaluate our approach in simulation as well on physical robots using F$1/10$ robots, a Clearpath Jackal, as well as a Boston Dynamics Spot in a doorway, hallway, and corridor intersection scenario. Compared to both fully decentralized and centralized approaches with and without deadlock resolution capabilities, we demonstrate that our approach results in safer, more efficient, and smoother navigation, based on a comprehensive set of metrics including success rate, collision rate, stop time, change in velocity, path deviation, time-to-goal, and flow rate.

研究动机与目标

• 解决去中心化多机器人系统在门框和走廊等受限环境中实现安全、无死锁导航的挑战。
• 将此类场景下的多机器人导航形式化为涉及非合作、部分可观测代理且目标冲突的‘社交小游戏’。
• 开发一种控制器，以去中心化、最小侵入的方式确保安全性（通过CBFs）和活性（通过无死锁状态的屏障证书）。
• 使机器人能够模拟人类行为——轻微调节速度以避免碰撞和死锁——同时遵守动力学约束。
• 在仿真和真实机器人上评估该方法，证明其在成功率、碰撞避免和轨迹平滑性方面优于最先进基线方法。

提出的方法

• 该方法结合模型预测控制（MPC）与控制屏障函数（CBFs），实现长时域、最优且安全的轨迹规划。
• 提出了一类新型屏障证书，使每台机器人能够通过最小化、去中心化的干预，预先将其状态扰动至‘活性集’——即避免死锁的状态。
• 活性机制基于博弈论公式，其中死锁化解被建模为N人‘Chicken’博弈中的纳什均衡。
• 利用类似于CBFs保证安全集前向不变性的原理，确保活性集的前向不变性。
• 控制器以去中心化方式实现，仅需本地感知，无需机器人之间的通信。
• 该框架在涉及门框、走廊和走廊交叉口的真实场景中，于F1/10机器人和波士顿动力Spot上得到验证。

Figure 1 : Examples/Non-examples of social mini-games: Arrows indicate the direction of motion for two agents $1$ and $2$ toward their goals marked by the corresponding cross. The first scenario is a social mini-game since both the preferred trajectories of agents $1$ and $2$ are in conflict from so

实验结果

研究问题

• RQ1 去中心化多机器人系统是否能在无集中协调或通信的情况下，实现在受限环境中的无死锁导航？
• RQ2 能否利用博弈论均衡，使机器人通过最小化、协调化的轨迹扰动来化解死锁？
• RQ3 如何将控制屏障函数扩展以确保活性（即无死锁）性，而不仅限于安全性？
• RQ4 与现有去中心化和集中式基线方法相比，该方法在安全性、效率和轨迹平滑性方面的性能优势有多大？
• RQ5 该方法是否可在真实机器人上部署，并在满足动力学约束条件下保持性能？

主要发现

• 所提方法在所有测试场景（门框、走廊、交叉口）中均实现100%成功率，优于MPC-CBF、NH-ORCA和NH-TTC等基线方法，后者因碰撞或死锁而失败。
• 在路径偏差方面，博弈论方法在门框场景中实现了最低平均偏差（0.12 m），表明轨迹更平滑、更接近人类行为。
• 与其它方法相比，平均速度变化最小（0.15 m/s），表明对期望速度的扰动有效且微小。
• 在交叉口场景中，该方法实现了更高的流量（1.8名/秒），表明吞吐量和协调性更优。
• 在走廊场景中，与ORCA-MAPF相比，停机时间减少40%；与CADRL相比，减少60%，表明运动连续性显著提升。
• 图8的视觉对比显示，仅所提方法能持续化解死锁且无碰撞；而MPC-CBF和NH-ORCA等基线方法因环境对称性及可行集为空而陷入死锁。

(a)