[论文解读] Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams

Barbara Arbanas, Tamara Petrović+1 more|arXiv (Cornell University)|Sep 21, 2021

Modular Robots and Swarm Intelligence被引用 4

一句话总结

本文提出了一种用于异构多机器人团队复杂任务规划的分布式多阶段优化方法，采用分层任务模型和两阶段方法：首先，启发式搜索识别出多种可行的任务分解；其次，基于模仿机制的分布式遗传算法执行多目标任务分配与调度。该方法可根据机器人可用性和优化标准自适应调整，展示了在模拟温室环境中在完工时间和能耗之间实现有效权衡的能力。

ABSTRACT

In this paper, we propose a distributed multi-stage optimization method for planning complex missions for heterogeneous multi-robot teams. This class of problems involves tasks that can be executed in different ways and are associated with cross-schedule dependencies that constrain the schedules of the different robots in the system. The proposed approach involves a multi-objective heuristic search of the mission, represented as a hierarchical tree that defines the mission goal. This procedure outputs several favorable ways to fulfill the mission, which directly feed into the next stage of the method. We propose a distributed metaheuristic based on evolutionary computation to allocate tasks and generate schedules for the set of chosen decompositions. The method is evaluated in a simulation setup of an automated greenhouse use case, where we demonstrate the method's ability to adapt the planning strategy depending on the available robots and the given optimization criteria.

研究动机与目标

• 解决具有跨调度依赖关系和多条执行路径的复杂异构多机器人任务规划挑战。
• 开发一种领域无关的分布式方法，实现基于可用机器人和优化标准的自适应任务规划。
• 通过解耦任务分解与分配及调度，提升任务规划的鲁棒性与可扩展性。
• 评估该方法在不同机器人配置下平衡竞争目标（如时间效率与能耗）的能力。
• 通过仿真验证该方法在真实场景（如自动化温室）中的适应性。

提出的方法

• 任务建模为受TÆMS启发的分层任务树，实现对复杂可分解任务的结构化表示。
• 采用快速启发式树搜索算法，探索替代的任务分解路径，生成多种有利的任务执行策略。
• 基于模仿机制和知识共享的分布式多目标遗传算法，实现机器人之间的任务分配与调度。
• 该算法同时优化完工时间和能耗，支持基于用户定义标准的可配置权重。
• 分布式代理之间的知识共享提升了优化过程中的收敛速度与解质量。
• 该方法支持具有不同能力的异构机器人，包括移动操作臂、固定式操作臂和轮式地面车辆（UGVs），并考虑任务依赖关系与跨调度约束。

实验结果

研究问题

• RQ1 如何通过分布式多阶段优化框架在异构多机器人系统中有效平衡竞争目标（如任务持续时间与能耗）？
• RQ2 基于启发式的任务分解选择在复杂任务层次结构中在多大程度上能提升规划效率与解的多样性？
• RQ3 在分布式遗传算法中集成模仿机制与知识共享，在任务分配与调度中如何提升解质量与收敛性？
• RQ4 所提出的方法能否根据可用机器人类型和用户定义的优化优先级动态调整任务执行策略？
• RQ5 在真实应用场景中，该方法在不同机器人配置（如移动式与固定式操作臂）下的表现如何？

主要发现

• 该方法成功生成了多种可行的任务分解方案，最佳解根据用户定义的权重实现了完工时间与成本的平衡。
• 使用一台固定式操作臂和两台轻型UGVs使能耗降低了16倍，尽管任务持续时间增加了57%。
• 当优先考虑成本（设置3）时，系统选择了与任务树左分支一致的节能型任务执行路径。
• 当优先考虑速度（设置5）时，系统倾向于通过移动操作臂实现更快执行，选择了任务树的右分支。
• 当成本与完工时间同等重要（设置4）时，解在高效与高速执行路径之间实现了任务的均衡分配。
• 仿真结果证实了该方法对不同机器人配置和优化标准的适应能力，展示了在复杂任务规划中有效管理权衡的能力。