多机器人编队集中式轨迹规划：基于概率推理的连续高斯过程

论文检索页

算法原理

多机器人运动规划方法可以分为两大类：

分布式方法通过邻近机器人之间的局部交互来实现群体行为，对通信的要求低、可扩展性强。然而很难在个体或系统层面施加约束。

相比之下，集中式方法能提供全局保证，并能合理地设置约束条件，但随着机器人数量的增加，它们的扩展性往往很差。

研究团队将著名的运动规划方法GPMP2扩展到多机器人场景，采用稀疏高斯过程模型，高效地计算多机器人运动轨迹。

通过添加队形约束条件，多机器人编队可以自适应地通过不断变化的地形。并提出一种增量重规划算法，使用贝叶斯树的数据结构来更新运动轨迹，实现快速的在线操作。

实验过程

研究团队用一组四旋翼飞行器测试了算法框架。

实验在三种常见场景中进行，分别是：保持队形、为改变目的地重新规划，以及在宽度变化的空间中通过时自适应变换队形。

一组Crazyflie纳米四旋翼飞行器在NOKOV动作捕捉系统的监控下进行了实验。飞行器通过CrazyRadio PA接收来自NOKOV动作捕捉系统的信息，以进行定位。

实验1+实验2运行轨迹，2.4、7.0秒快照。原目标标记为正方形，新目标为三角形

实验1+实验2：保持队形、改变目的地重新规划

在实验1中，4架四旋翼机保持方形队形飞向目标，同时避开障碍物。四旋翼机编队在必要时会做出取舍，编队在转弯时有轻微的扭曲，但可以实现更平稳的转弯。

在实验2中，四旋翼机编队飞向原始目标途中，突然改变目标点。在t = 7s时将目标点向与原始目标相反的方向移动。增量重规划算法在4ms内将轨迹更新到新目标，满足实时性要求。

实验3：在宽度变化的空间中自适应变换队形

6架四旋翼机在2.5m、1.5m、3.5m三种不同宽度的空间中通过。全局规划算法计算出的不同队形和执行时间间隔为：(i) 1s−2s: 3×2排列；(ii) 4s−7s: 2×3排列(iii) 9s−10s: 6×1排列。

6架四旋翼机变换队形，2.4秒、4.0秒、7.4秒和9.0秒快照

此外，在四重地图上实现了10架四旋翼机通过宽度分别为:4m、2m、7m的空间。对应的编队配置为:(i) 1s−2s: 5 ×2;(ii) 4s−7s: 2 ×5;(iii) 9s−10s: 10 ×1。

10架四旋翼机变换队形，2.0秒和8.0秒快照

算法运行时间

算法运行时间

该算法能在 0.39 秒内计算出 10 架四旋翼机的完整轨迹，并能进行编队变化，这对于如此复杂的任务来说是非常高效的。

参考文献：

Guo S, Liu B, Zhang S, et al. Continuous-time Gaussian Process Trajectory Generation for Multi-robot Formation via Probabilistic Inference[C]//2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2021: 9247-9253.