摘要

本文介绍了一种分布式协调范式，旨在实现多机器人网络中的可扩展性和近似最优的联合运动规划。与当前的协调范式相比，这些范式要么接近最优但不适用于重新规划时间，要么实时但无法提供近似最优性保证。该研究受到未来协作移动自主性的启发，其中分布式机器人团队将通过车辆间通信（V2V）协调执行如地图绘制、监视和目标跟踪等信息密集型任务。为了实现快速分布式协调，需要限制网络中的信息共享爆炸，因此需要限制机器人的协调程度。然而，限制协调可能导致次优的联合计划，导致非协调机器人执行重叠轨迹，而不是互补的。本文在理论上和算法上对这种决策速度和最优性之间的权衡进行了表征和平衡。为此，引入了分布式子模块优化的工具。子模块性是一种递减收益属性，通常出现在上述信息收集任务中。在理论方面，分析了局部网络拓扑（每个机器人的局部协调邻域）如何影响全局级别的近似最优协调。在算法方面，提供了一种通信和计算高效的协调算法，使代理能够单独平衡这种权衡。该算法比竞争的近似最优算法快两个数量级。在多达45个机器人的监视任务模拟中，该算法实现了每秒1次的实时规划，并具有卓越的覆盖性能。为了实现模拟，提供了一个高保真模拟器，通过集成协作自主性管道并模拟V2V通信延迟来扩展AirSim。

原理

本文提出的分布式协调范式通过引入分布式子模块优化工具，实现了多机器人网络中的可扩展性和近似最优的联合运动规划。子模块性是一种递减收益属性，通常出现在信息收集任务中，如地图绘制、监视和目标跟踪。该范式通过限制网络中的信息共享爆炸，从而限制机器人的协调程度，以实现快速分布式协调。然而，限制协调可能导致次优的联合计划，因此需要在决策速度和最优性之间进行权衡。本文通过理论分析和算法设计，对这种权衡进行了表征和平衡。在理论方面，分析了局部网络拓扑（每个机器人的局部协调邻域）如何影响全局级别的近似最优协调。在算法方面，提供了一种通信和计算高效的协调算法，使代理能够单独平衡这种权衡。该算法比竞争的近似最优算法快两个数量级。

流程

1. 网络自我配置：在每个规划步骤开始时，根据观察到的环境和机器人的状态，机器人决定与哪些其他机器人通信，受限于其车载带宽约束。
2. 行动协调：机器人在建立的通信网络上联合规划行动（如何移动和感知环境）。
3. 行动执行：机器人执行其选择的行动并感知环境。

具体示例：

• 初始部署：无人机从其初始部署点开始。
• 进展：经过3次重新规划步骤后，无人机取得了进展。
• 最终覆盖：经过8次重新规划步骤后，无人机实现了最大道路覆盖。

应用

本文提出的分布式协调范式适用于多机器人网络中的各种任务，如地图绘制、监视和目标跟踪。该范式通过限制网络中的信息共享爆炸，从而限制机器人的协调程度，以实现快速分布式协调。该算法比竞争的近似最优算法快两个数量级，适用于实时规划和卓越的覆盖性能。因此，该范式在未来的协作移动自主性中具有广泛的应用前景。