[论文解读] Distributed Allocation and Scheduling of Tasks with Cross-Schedule Dependencies for Heterogeneous Multi-Robot Teams

Barbara Arbanas, Tamara Petrović+3 more|arXiv (Cornell University)|Sep 7, 2021

Robotic Path Planning Algorithms参考文献 44被引用 6

一句话总结

本文提出了一种用于具有跨调度依赖关系的异构多机器人团队的分布式、基于元启发式的任务分配与调度算法，将问题建模为车辆路径问题（VRP）的一种变体，采用分布式进化计算方法（CBM-pop）。该方法在计算速度和可扩展性方面优于当前最先进的拍卖方法，基准测试和真实温室应用场景中平均CPU时间减少13.23%，且解质量接近最优。

ABSTRACT

To enable safe and efficient use of multi-robot systems in everyday life, a robust and fast method for coordinating their actions must be developed. In this paper, we present a distributed task allocation and scheduling algorithm for missions where the tasks of different robots are tightly coupled with temporal and precedence constraints. The approach is based on representing the problem as a variant of the vehicle routing problem, and the solution is found using a distributed metaheuristic algorithm based on evolutionary computation (CBM-pop). Such an approach allows a fast and near-optimal allocation and can therefore be used for online replanning in case of task changes. Simulation results show that the approach has better computational speed and scalability without loss of optimality compared to the state-of-the-art distributed methods. An application of the planning procedure to a practical use case of a greenhouse maintained by a multi-robot system is given.

研究动机与目标

• 开发一种针对具有紧密时间约束和优先级约束的异构多机器人系统，具备鲁棒性、高效性和可扩展性的分布式任务分配与调度方法。
• 以一种能够实现多机器人间协调规划的方式，处理跨调度依赖关系（XD），包括优先级约束和过渡约束。
• 通过确保计算开销低且收敛速度快，实现在动态环境中的在线重规划。
• 提供一种不依赖中心协调器的解决方案，从而提升系统的鲁棒性和容错能力。
• 在合成基准数据集和真实温室自动化应用场景中验证该方法的有效性。

提出的方法

• 将问题建模为容量限制的多配送中心车辆路径问题（CVRP）的变体，从而可应用成熟的VRP优化技术。
• 采用基于进化计算的分布式元启发式算法（CBM-pop），通过知识共享和模仿机制提升收敛性能。
• 每台机器人维护其自身的局部解，并通过与邻近机器人进行局部搜索和信息交换来迭代优化。
• 通过在解表示中编码任务顺序来处理优先级约束，并在适应度评估过程中强制执行这些约束。
• 通过时间窗和准备时间对过渡依赖关系进行建模，并将其整合到解的成本函数中。
• 在XD[ST-SR-TA]任务的基准数据集上测试该方法，并与当前最先进的拍卖方法进行对比。

实验结果

研究问题

• RQ1 基于元启发式的分布式方法能否在具有跨调度依赖关系的异构多机器人团队中实现接近最优的任务分配与调度？
• RQ2 与集中式或拍卖方法相比，该方法在计算速度和解质量方面表现如何？
• RQ3 该方法在问题规模和复杂度增加时，其可扩展性达到何种程度？
• RQ4 该方法能否支持在任务新增或机器人故障等动态变化下的在线重规划？
• RQ5 在涉及时间约束和优先级约束的真实应用场景中，该方法的有效性如何？

主要发现

• 与当前最先进的拍卖方法相比，该算法在基准问题上实现了平均13.23%的CPU时间减少。
• 解质量几乎相同，makespan仅平均提升0.59%，总成本仅平均提升0.76%。
• 该方法在问题复杂度增加时表现出更优的可扩展性和计算速度。
• 算法的分布式特性消除了对中心协调器的依赖，从而提升了系统鲁棒性和容错能力。
• 该方法成功为一个包含12台机器人和30项具有优先级约束的任务的真实温室应用场景生成了有效且可执行的调度计划。
• 调度执行过程的动态可视化已公开发布，验证了生成计划的可行性和正确性。