[论文解读] Decentralized Probabilistic Multi-Robot Collision Avoidance Using Buffered Uncertainty-Aware Voronoi Cells

Hai Zhu, Bruno Brito+1 more|arXiv (Cornell University)|Jan 11, 2022

Distributed Control Multi-Agent Systems被引用 4

一句话总结

本文提出了一种去中心化、无需通信的多机器人系统概率碰撞规避方法，适用于存在定位与感知不确定性的场景。该方法引入了缓冲型不确定性感知Voronoi单元（B-UAVC），通过高斯不确定性模型对碰撞概率施加机会约束，实现了对单积分器、双积分器、差速驱动及非线性机器人的安全导航。该方法在仿真与真实世界实验中均得到验证，涵盖地面车辆与四旋翼无人机。

ABSTRACT

In this paper, we present a decentralized and communication-free collision avoidance approach for multi-robot systems that accounts for both robot localization and sensing uncertainties. The approach relies on the computation of an uncertainty-aware safe region for each robot to navigate among other robots and static obstacles in the environment, under the assumption of Gaussian-distributed uncertainty. In particular, at each time step, we construct a chance-constrained buffered uncertainty-aware Voronoi cell (B-UAVC) for each robot given a specified collision probability threshold. Probabilistic collision avoidance is achieved by constraining the motion of each robot to be within its corresponding B-UAVC, i.e. the collision probability between the robots and obstacles remains below the specified threshold. The proposed approach is decentralized, communication-free, scalable with the number of robots and robust to robots' localization and sensing uncertainties. We applied the approach to single-integrator, double-integrator, differential-drive robots, and robots with general nonlinear dynamics. Extensive simulations and experiments with a team of ground vehicles, quadrotors, and heterogeneous robot teams are performed to analyze and validate the proposed approach.

研究动机与目标

• 解决在因传感器噪声与估计误差导致机器人位置与障碍物位置存在不确定性时，复杂环境中安全多机器人导航的挑战。
• 提出一种去中心化、无需通信的方法，确保概率碰撞规避，且无需机器人之间共享状态或轨迹信息。
• 将缓冲型Voronoi单元（BVC）框架扩展至处理不确定性，通过形式化机会约束的缓冲型不确定性感知Voronoi单元（B-UAVC），在高斯分布不确定性下实现。
• 确保在各类机器人动力学模型下的可扩展性与鲁棒性，包括单积分器、双积分器、差速驱动及一般非线性系统。
• 通过大规模仿真与真实世界实验，对异构机器人团队（包括地面车辆与四旋翼无人机）验证该方法的有效性。

提出的方法

• 在每个时间步，针对每个机器人，基于指定的碰撞概率阈值与高斯分布的定位与感知不确定性，构建机会约束的缓冲型不确定性感知Voronoi单元（B-UAVC）。
• 将B-UAVC表述为一个极大极小优化问题，以计算最优分离超平面，从而最大化到不确定机器人与障碍物位置的最小距离。
• 通过迭代计算超平面法向量 $\mathbf{a}_{ij}$ 与偏移量 $b_{ij}$，结合矩阵求逆与标量参数 $t$ 来平衡不确定性协方差矩阵，数值求解所得优化问题。
• 约束每个机器人的运动，使其始终位于其B-UAVC内，确保与任何其他机器人或障碍物的碰撞概率低于用户定义的阈值。
• 将该方法与单步控制与滚动时域控制器集成，适用于不同机器人动力学模型，包括单积分器、双积分器、差速驱动与四旋翼模型。
• 实现一种启发式死锁恢复策略：对于单步控制器，当进展停滞时，机器人沿其B-UAVC边界移动；对于滚动时域规划器，临时将目标旋转90°以逃离局部极小值。

实验结果

研究问题

• RQ1 如何在不依赖机器人之间通信的前提下，使去中心化的多机器人碰撞规避方法对定位与感知不确定性具有鲁棒性？
• RQ2 缓冲型Voronoi单元（BVC）框架能否在保持去中心化与可扩展性的前提下，扩展至具有高斯分布不确定性的概率场景？
• RQ3 不确定性感知安全区域（B-UAVC）对多样化机器人动力学下多机器人系统的安全性与性能有何影响？
• RQ4 在仿真与真实世界实验中，该方法在真实不确定性水平下预防碰撞的有效性如何？
• RQ5 启发式死锁恢复策略是否能有效帮助机器人从复杂环境中的局部极小值或进展停滞中恢复？

主要发现

• 所提出的B-UAVC方法通过将碰撞概率控制在用户定义的阈值以下，实现了概率碰撞规避，即使在显著的定位与感知不确定性下依然有效。
• 该方法完全去中心化且无需通信，仅需本地知晓邻近机器人位置及其不确定性协方差。
• 对多达10台地面机器人与6架四旋翼无人机的大量仿真与真实世界实验表明，该方法在各类动力学模型下（包括单积分器、双积分器、差速驱动与非线性四旋翼模型）均表现出稳健性能。
• 该方法在障碍物位置存在不确定性的复杂环境中成功避免了碰撞，仿真与硬件实验结果均验证了其有效性。
• 启发式死锁恢复机制能有效帮助机器人从进展停滞或局部极小值中恢复，通过临时旋转目标实现从卡滞构型中逃脱。
• 基于Parrot Bebop 2四旋翼无人机的真实飞行数据进行系统辨识，获得了精确的动力学参数，从而实现了对方法的逼真仿真与验证。