[论文解读] Multi-agent systems with CBF-based controllers -- collision avoidance and liveness from instability

Mrdjan Janković, Mario Santillo+1 more|arXiv (Cornell University)|Jul 11, 2022

Traffic control and management被引用 4

一句话总结

本文提出一种新颖的去中心化控制策略——碰撞避免预测-校正（PCCA），结合控制障碍函数（CBF）以在多智能体系统中同时实现安全性和活性。与传统去中心化策略因稳定平衡点导致死锁不同，PCCA通过诱导不稳定平衡点，实现快速收敛和近乎零死锁，其性能接近集中式控制，且仅依赖局部信息运行。

ABSTRACT

Assuring system stability is typically a major control design objective. In this paper, we present a system where instability provides a crucial benefit. We consider multi-agent collision avoidance using Control Barrier Functions (CBF) and study trade-offs between safety and liveness -- the ability to reach a destination without large detours or gridlock. We compare two standard decentralized policies, with only the local (host) control available, to co-optimization policies (PCCA and CCS) where everyone's (virtual) control action is available. The co-optimization policies compute control for everyone even though they lack information about others' intentions. For comparison, we use a Centralized, full information policy as the benchmark. One contribution of this paper is proving feasibility for the Centralized, PCCA, and CCS policies. Monte Carlo simulations show that decentralized, host-only control policies and CCS lack liveness while the PCCA policy performs as well as the Centralized. Next, we explain the observed results by considering two agents negotiating the passing order through an intersection. We show that the structure and stability of the resulting equilibria correlates with the observed propensity to gridlock -- the policies with unstable equilibria avoid gridlocks while those with stable ones do not.

研究动机与目标

• 通过基于CBF的控制器解决多智能体系统中安全性与活性之间的权衡问题。
• 分析为何去中心化CBF策略表现出死锁，而集中式与联合优化策略则不会。
• 证明在距离-CBF框架下，集中式、PCCA与CCS控制策略的可行性。
• 通过双智能体联合状态空间中的平衡点稳定性分析，解释观察到的活性差异。
• 证明即使在信息不完全的情况下，不稳定平衡点也与减少死锁和更快收敛相关。

提出的方法

• 为多智能体碰撞避免问题构建基于CBF的集中式二次规划（QP），并证明其在距离-CBF约束下的可行性。
• 提出PCCA算法作为联合优化策略，通过扰动模型预测并校正其他智能体的行为。
• 开发完整控制集（CCS）策略作为联合优化的替代方案，无需使用其他智能体的动作信息即可计算所有智能体的控制输入。
• 分析双智能体在汇合点或交叉口协商时的联合状态空间中的平衡点结构。
• 采用一维运动学模型，状态变量包括（位置、速度），并应用CBF约束通过QP解实现安全控制。
• 通过五智能体的蒙特卡洛仿真，比较不同策略在活性、碰撞率与收敛时间方面的表现。

实验结果

研究问题

• RQ1 为何去中心化CBF策略（如DF与DR）在多智能体场景中尽管安全，仍会出现死锁？
• RQ2 联合状态空间中平衡点的稳定性如何影响基于CBF的多智能体控制中的活性与收敛性？
• RQ3 联合优化策略（如PCCA与CCS）能否在保持去中心化实现的同时，实现与集中式控制相当的活性？
• RQ4 平衡点结构（特别是稳定流形与不稳定流形）在决定死锁倾向性方面起什么作用？
• RQ5 是否可能设计一种去中心化CBF策略，通过诱导不稳定平衡点来避免死锁？若可能，其机制是什么？

主要发现

• 集中式CBF策略始终可行，实现零死锁，仅在测度为零的初始条件下进入平衡状态。
• PCCA实现的活性性能与集中式策略几乎无法区分，仅有0.002%的仿真出现死锁。
• 去中心化策略（DF/DR）与CCS表现出显著死锁——分别为15.4%与接近100%，原因在于联合状态空间中存在稳定平衡点。
• 集中式策略的稳定流形在二维状态空间中为一维直线，死锁可能性极低；而PCCA的稳定流形在四维空间中为二维流形，进一步降低概率。
• 尽管CCS采用联合优化，但因存在稳定平衡点，其行为与去中心化策略类似，导致高死锁率与差的活性表现。
• 本文证明，不稳定平衡点（尤其是指数不稳定的）可实现从近似死锁状态的快速逃离，从而解释PCCA优越的活性表现。