[论文解读] EGO-Swarm: A Fully Autonomous and Decentralized Quadrotor Swarm System in Cluttered Environments

Xin Zhou, Jiangchao Zhu+3 more|arXiv (Cornell University)|Nov 9, 2020

Robotic Path Planning Algorithms参考文献 25被引用 12

一句话总结

本文提出 EGO-Swarm，一种完全自主、去中心化的四旋翼无人机群系统，仅依靠机载传感与计算即可实现在未知、复杂环境中的实时导航。通过将基于梯度的局部规划器与轻量级拓扑路径搜索相结合，并通过轨迹共享实现去中心化的互惠避碰，该系统实现了每秒低于 5ms 的轨迹计算速度，具备对通信中断的鲁棒性，以及精确的相对定位能力——该系统在模拟环境及真实森林与室内飞行实验中均得到验证，最多支持 10 架无人机。

ABSTRACT

This paper presents a decentralized and asynchronous systematic solution for multi-robot autonomous navigation in unknown obstacle-rich scenes using merely onboard resources. The planning system is formulated under gradient-based local planning framework, where collision avoidance is achieved by formulating the collision risk as a penalty of a nonlinear optimization problem. In order to improve robustness and escape local minima, we incorporate a lightweight topological trajectory generation method. Then agents generate safe, smooth, and dynamically feasible trajectories in only several milliseconds using an unreliable trajectory sharing network. Relative localization drift among agents is corrected by using agent detection in depth images. Our method is demonstrated in both simulation and real-world experiments. The source code is released for the reference of the community.

研究动机与目标

• 开发一种完全自主、去中心化的四旋翼无人机群系统，能够在无外部定位或预构建地图的情况下导航未知、障碍物丰富的环境。
• 解决仅依靠机载处理时通信不可靠、相对定位漂移以及多机器人导航中的动态可行性等挑战。
• 将单机 EGO-Planner 扩展为计算开销极小、对通信故障具有高度鲁棒性的可扩展群体系架。
• 在去中心化控制下实现低协调开销的实时、安全、平滑轨迹生成。
• 在仿真与真实世界环境中（包括密集森林与室内障碍物赛道）验证系统性能。

提出的方法

• 系统采用基于梯度的局部规划框架，将碰撞风险建模为非线性优化问题中的惩罚项，确保轨迹的动态可行性和平滑性。
• 集成轻量级、隐式的拓扑路径搜索，以极低计算成本逃离局部极小值，提升在非凸环境中的鲁棒性。
• 通过在目标函数中添加一个加权惩罚项，比较预测的代理分布与未来轨迹状态，实现去中心化的互惠避碰。
• 通过广播网络异步共享轨迹，减少数据传输量并容忍不可靠的通信链路。
• 利用邻近无人机的深度图像观测与轨迹预测对比，校正相对定位漂移，实现精确的相对位姿估计。
• 系统完全依赖机载感知、规划与控制模块，无需动捕系统或集中式计算，实现完全自主。

实验结果

研究问题

• RQ1 完全去中心化且自主的四旋翼无人机群是否能仅依靠机载传感器与计算在未知、复杂环境中导航？
• RQ2 在通信不可靠与相对定位漂移条件下，去中心化群组如何保持安全、平滑且动态可行的轨迹？
• RQ3 隐式拓扑路径搜索在计算开销极小的前提下，对复杂环境中逃离局部极小值有何影响？
• RQ4 与最先进的去中心化群组规划器相比，该系统在计算效率、轨迹质量与鲁棒性方面的表现如何？
• RQ5 在开放环境与障碍物丰富环境中，随着无人机数量增加，该系统在计算时间与性能方面的可扩展性如何？

主要发现

• 系统在每架无人机上实现低于 5 毫秒的安全、平滑且动态可行的轨迹计算，低密度环境下计算时间可降至 0.49ms。
• 在障碍物密集的仿真环境中（0.42 个障碍物/m²），平均飞行距离达 49.4 米，与障碍物的最小安全距离为 0.208 米，展现出高安全性与高效性。
• 在对比方法（DMPC、ORCA、RBP）中，EGO-Swarm 的飞行距离最短、计算时间最快，且在轨迹质量与实时可行性方面优于其他方法。
• 可扩展性分析表明，由于采用按需碰撞检测策略，随着群组规模增大，每架无人机的计算时间趋于平缓，表明具有高效的 O(n) 缩放行为。
• 真实世界实验在森林与室内环境中均证实系统具备鲁棒性能：三架无人机成功穿越密集树丛与狭窄通道，实现互惠避碰，即使目标位置互换也保持稳定导航。
• 系统对通信中断与相对定位漂移表现出强韧性，无需外部定位支持即可维持稳定导航。