[论文解读] Representation-Optimal Multi-Robot Motion Planning using Conflict-Based Search

Irving Solis, Read Sandström+2 more|arXiv (Cornell University)|Sep 29, 2019

Robotic Path Planning Algorithms参考文献 26被引用 6

一句话总结

该论文提出CBS-MP，一种新颖的表示最优方法，用于在连续空间中进行多机器人运动规划，通过将基于冲突的搜索（CBS）扩展至采样式运动规划。该方法通过逐步细化路线图来解决冲突，实现了对异构、高自由度机器人的高效、最优规划，相比解耦的PRM方法，规划速度最高提升60倍，且解决方案质量更优，即使在大规模场景（32个机器人）下依然表现优异。

ABSTRACT

Multi-Agent Motion Planning (MAMP) is the problem of computing feasible paths for a set of agents given individual start and goal states. Given the hardness of MAMP, most of the research related to multi-agent systems has focused on multi-agent pathfinding (MAPF), which simplifies the problem by assuming a shared discrete representation of the space for all agents. The Conflict-Based Search algorithm (CBS) has proven a tractable means of generating optimal solutions in discrete spaces. However, neither CBS nor other discrete MAPF techniques can be directly applied to solve MAMP problems because of the assumption of the shared discrete representation of the agents' state space. In this work, we solve MAMP problems by adapting the techniques discovered in the MAPF scenario by CBS to the more general problem with heterogeneous agents in a continuous space. We demonstrate the scalability teams of up to 32 agents, demonstrate the ability to handle up to 8 high DOF manipulators, and plan for heterogeneous teams. In all scenarios, our approach plans significantly faster while providing higher quality solutions.

研究动机与目标

• 解决现有多智能体路径规划（MAPF）方法所假设的共享离散空间的局限性，这些方法在连续空间中对异构或高自由度机器人失效。
• 通过引入一种表示最优方法，克服耦合与解耦多智能体运动规划（MAMP）方法中可扩展性与最优性之间的权衡。
• 在统一的连续状态空间框架下，实现对异构团队（如移动机器人、无人机和高自由度机械臂）的高效、无冲突运动规划。
• 在保持计算可行性的同时，通过在树结构中解决冲突，实现对每个智能体路线图表示的最优解。
• 在复杂MAMP场景中，相比最先进的解耦PRM和耦合方法，展示出在规划速度、解决方案质量与可扩展性方面的卓越性能。

提出的方法

• 将原本专为离散MAPF设计的基于冲突的搜索（CBS）框架，通过应用于采样路线图而非网格，推广至连续运动规划。
• 将每个智能体的路径表示为路线图（如PRM），并通过冲突树（CT）检测智能体间的碰撞，方法是将路径离散化为时间分段。
• 通过递归扩展冲突树并利用局部路线图修改重新规划涉及智能体的路径，避免进行完整的联合空间搜索。
• 采用统一的时间离散化方法，将连续路径映射为时间有序的边序列，从而实现对智能体轨迹间精确的冲突检测。
• 在冲突树中使用贪心优先级机制引导冲突解决，优先选择能最小化路线图增长并保持解决方案质量的路径。
• 通过保证最终解决方案至少与同一初始路线图上找到的任何解一样好，确保表示最优性，优于重新采样的解耦方法。

实验结果

研究问题

• RQ1 基于冲突的搜索（CBS）能否从离散MAPF推广至连续、采样式多智能体运动规划（MAMP），同时保持最优性？
• RQ2 在规划时间与可扩展性方面，所提出的CBS-MP方法与解耦PRM及耦合MAMP方法相比，性能与解决方案质量如何？
• RQ3 CBS-MP在复杂受限环境中处理高自由度机械臂与异构机器人团队的能力如何？
• RQ4 CBS-MP中的冲突解决机制是否相比解耦方法的动态路线图采样，能带来更高的路线图效率与更低的代价解决方案？
• RQ5 在高度拥堵场景中，当解耦方法因贪婪路径选择阻塞共享空间而失效时，CBS-MP能否保持高成功率与快速规划时间？

主要发现

• CBS-MP成功规划了最多32个智能体的路径，而解耦PRM变体在时间限制内无法为16个智能体生成解决方案。
• 在8个高自由度机械臂紧密协同配置下，CBS-MP的平均规划速度比最快的解耦PRM变体快60倍。
• 在包含移动机器人、无人机和吊臂式机械臂的异构场景中，CBS-MP在100次试验中全部于1000秒内完成，而解耦PRM仅在20%的试验中成功。
• CBS-MP始终产生比解耦PRM更低代价的解决方案，因为它利用了现有路线图，并在不冗余采样的前提下解决冲突。
• 该方法实现了表示最优性：在相同初始路线图上，CBS-MP从不产生比解耦PRM更差的解，且通常能通过更稀疏的路线图找到更优路径。
• 冲突树结构即使在高拥堵场景中也能实现高效的冲突解决，而解耦PRM因贪婪路径选择阻塞共享空间而失败。