[论文解读] Multi-Robot Path Deconfliction through Prioritization by Path Prospects

Wenying Wu, Subhrajit Bhattacharya+1 more|arXiv (Cornell University)|Aug 6, 2019

Robotic Path Planning Algorithms参考文献 25被引用 12

一句话总结

该论文提出了一种去中心化的多机器人路径规划方法，通过基于路径前景（以到目标的同调类数量衡量）对机器人进行优先级排序，利用Z₂系数同调来估计路径多样性。该方法在五种基准方法中取得了最高的成功率（95.7%），并在使完成时间和流程时间之间实现了更好的平衡，优于当前最先进的启发式方法，在复杂环境中表现更优。

ABSTRACT

This work deals with the problem of planning conflict-free paths for mobile robots in cluttered environments. Since centralized, coupled planning algorithms are computationally intractable for large numbers of robots, we consider decoupled planning, in which robots plan their paths sequentially in order of priority. Choosing how to prioritize the robots is a key consideration. State-of-the-art prioritization heuristics, however, do not model the coupling between a robot's mobility and its environment. In this paper, we propose a prioritization rule that can be computed online by each robot independently, and that provides consistent, conflict-free path plans. Our innovation is to formalize a robot's path prospects to reach its goal from its current location. To this end, we consider the number of homology classes of trajectories, and use this as a prioritization rule in our decentralized path planning algorithm, whenever any robots enter negotiation to deconflict path plans. This prioritization rule guarantees a partial ordering over the robot set. We perform simulations that compare our method to five benchmarks, and show that it reaches the highest success rate (w.r.t. completeness), and that it strikes the best balance between makespan and flowtime objectives.

研究动机与目标

• 解决在复杂、动态环境中大规模机器人团队的无冲突路径规划挑战。
• 克服现有优先级启发式方法忽略机器人移动性与环境约束之间耦合关系的局限性。
• 开发一种动态、去中心化的优先级规则，实现无冲突、完整的路径规划，并提升性能指标。
• 将“路径前景”概念形式化为衡量机器人路径多样性的指标，用于实时在线规划。

提出的方法

• 每个机器人使用Z₂系数同调类自行计算其路径前景，以统计从起点到目标的独立轨迹类型数量。
• 该方法在每个机器人周围定义一个局部区域以计算路径前景，聚焦于移动性与环境的耦合。
• 优先级由同调类的数量决定——数值越高，表示路径多样性越大，优先级也越高。
• 该算法采用去中心化的协商协议，机器人根据实时的路径前景估计动态重新排序优先级。
• 当路径前景相等时，采用最长优先优先级作为冲突解决规则。
• 该方法避免集中协调，与机器人数量呈线性扩展，支持实时运行。

实验结果

研究问题

• RQ1 如何通过整合环境约束与移动性约束来改进多机器人路径规划中的机器人优先级？
• RQ2 基于拓扑不变量（如同调类）定义的路径前景，能否作为有效且可扩展的优先级启发式方法？
• RQ3 基于路径多样性的动态去中心化优先级规则，是否在成功率和性能指标方面优于静态或启发式替代方案？
• RQ4 在复杂环境中，考虑路径多样性在多大程度上能减少使完成时间和流程时间？
• RQ5 该方法能否在大规模、动态的机器人团队中保持完整性和无冲突路径生成？

主要发现

• 所提出的基于路径前景的启发式方法（PP-R 和 PP-LF）分别实现了95.7%和94.1%的最高成功率，显著优于所有五种基准方法。
• PP-R 和 PP-LF 位于经验帕累托前沿，表明在所有测试环境中，其在使完成时间与流程时间之间实现了最佳权衡。
• 与理想（无碰撞）基准相比，该方法在使完成时间和流程时间上的百分比增加最低，尤其在100台机器人、150×150网格的大规模场景中表现更优。
• 基于同调类的路径前景方法优于基线方法（FL），后者使用了相同的区域但忽略了移动性约束，证明了机器人-环境耦合的重要性。
• 路径前景的去中心化、在线计算实现了线性可扩展性，避免了集中式优先级排序的指数复杂度。
• 该方法始终优于静态启发式方法（如LF（最长优先）和CS（最近目标）），证实了基于拓扑路径多样性的估计具有显著优势。