[论文解读] Multi-robot Cooperative Box-pushing problem using Multi-objective Particle Swarm Optimization Technique

Arnab Ghosh, Avishek Ghosh+3 more|arXiv (Cornell University)|May 3, 2012

Robotic Mechanisms and Dynamics参考文献 5被引用 6

一句话总结

本文提出一种多目标粒子群优化（MOPSO）方法，以解决多机器人协作推箱问题，通过基于力的局部规划实现箱子的平移与旋转。该方法同时最小化时间和能耗，在仿真中优于NSGA-II，收敛性和多样性指标均得到提升。

ABSTRACT

The present work provides a new approach to solve the well-known multi-robot co-operative box pushing problem as a multi objective optimization problem using modified Multi-objective Particle Swarm Optimization. The method proposed here allows both turning and translation of the box, during shift to a desired goal position. We have employed local planning scheme to determine the magnitude of the forces applied by the two mobile robots perpendicularly at specific locations on the box to align and translate it in each distinct step of motion of the box, for minimization of both time and energy. Finally the results are compared with the results obtained by solving the same problem using Non-dominated Sorting Genetic Algorithm-II (NSGA-II). The proposed scheme is found to give better results compared to NSGA-II.

研究动机与目标

• 将多机器人协作推箱问题作为多目标优化任务来解决。
• 利用两台移动机器人实现箱子的平动与转动。
• 在箱子运输过程中同时最小化时间和能耗。
• 开发一种局部力规划方案，用于实时控制机器人施加的力。
• 从收敛性和多样性角度，评估并比较所提出的MOPSO方法与NSGA-II。

提出的方法

• 将推箱任务建模为以时间和能耗为目标的多目标优化问题。
• 应用改进的多目标粒子群优化（MOPSO）算法，以搜索Pareto最优解。
• 采用局部规划方案，计算两台机器人在箱子特定点上施加的垂直力。
• 确定力的大小和作用点，以在每一步实现期望的箱子运动（平动与转动）。
• 根据箱子相对于目标的位置和朝向，动态调整施加的力。
• 采用一种平衡时间效率与能耗的适应度评估机制。

实验结果

研究问题

• RQ1 MOPSO能否有效优化多机器人推箱中的时间和能耗？
• RQ2 所提出的基于MOPSO的力规划方法在收敛性和多样性方面与NSGA-II相比如何？
• RQ3 引入旋转控制对整体任务性能有何影响？
• RQ4 在多目标约束下，局部力规划能否实现稳定且高效的箱子运动？
• RQ5 在两台机器人协作推箱中，时间和能耗之间的权衡关系如何？

主要发现

• 所提出的MOPSO方法在Pareto前沿上的收敛性和多样性方面优于NSGA-II。
• 该算法成功实现了在运动过程中箱子的平动与转动。
• 局部力规划方案有效降低了能耗，同时缩短了任务完成时间。
• 仿真结果证实，MOPSO在收敛速度和解集分布范围方面均优于NSGA-II。
• 该方法在处理涉及对齐和方向调整的复杂运动序列时表现出良好的鲁棒性。
• 最终解集提供了时间与能耗目标之间分布良好的权衡解。