Запечатлевая движение,
Создавая истории

Планирование движения для нескольких роботов - сложная задача. Когда множество роботов занимает одно и то же пространство, становится необходимым эффективно вычислять их траектории, соблюдая кинематические и формационные ограничения. Цель заключается в том, чтобы позволить нескольким роботам достичь своих назначенных мест, избегая столкновений друг с другом.

Исследовательская группа из Харбинского технологического института предложила новый централизованный метод генерации траекторий и проверила эффективность, адаптивность и масштабируемость алгоритма в реальных экспериментах с использованием системы захвата движения NOKOV. Эта работа была отмечена на Международной конференции по интеллектуальным роботам и системам (IROS) в 2021 году.

Figure 1: страница поиска

Принципы алгоритмов

Методы планирования движения многороботов можно разделить на две основные категории:

Во-первых, распределенные методы достигают коллективного поведения через локальные взаимодействия между соседними роботами, требуя низких затрат на связь и обеспечивая высокую масштабируемость. Однако наложить ограничения на индивидуальном или системном уровне представляет собой сложную задачу.

С другой стороны, централизованные методы могут обеспечить глобальные гарантии и разумно устанавливать условия ограничений, но их масштабируемость часто уменьшается с увеличением числа роботов.

Исследовательская группа расширила известный метод планирования движений GPMP2 для сценариев с несколькими роботами, используя разреженные модели гауссовских процессов для эффективного вычисления траекторий нескольких роботов.

Добавляя условия ограничений формирования, многороботная формация может адаптивно перемещаться по постоянно меняющемуся рельефу. Кроме того, был предложен алгоритм инкрементального перепланирования, использующий байесовские деревья для обновления траекторий движения, что позволяет осуществлять быструю беспроводную работу.

Экспериментальные процедуры

Исследовательская команда провела эксперименты с использованием группы дронов-квадрокоптеров для тестирования алгоритмической структуры.

Эксперименты проводились с учетом трёх распространённых сценариев: поддержание формации, пересмотр маршрута для изменения направлений и адаптивное изменение формаций при прохождении через пространства различной ширины.

Набор квадрокоптеров Crazyflie был отслеживаем системой захвата движений NOKOV во время экспериментов. Через систему CrazyRadio PA дроны получали данные о позиционировании напрямую от системы захвата движений NOKOV.

Рисунок 2: Снимки эксперимента 1 и эксперимента 2, показывающие траектории, сделанные на 2.4 и 7.0 секундах. Исходная цель обозначена квадратом, а новая цель — треугольником.

Эксперимент 1 и 2: Сохранение формации, изменение направления и перепланировка маршрута

В Эксперименте 1 четыре квадрокоптера поддерживали квадратное построение, летя к цели. Построение может корректироваться при необходимости, чтобы избежать препятствий. При поворотах в построении происходит небольшая деформация, но это позволяет в целом выполнять более плавные повороты.

В Эксперименте 2, когда форма квадрокоптера направлялась к цели, целевая точка была внезапно изменена. В момент времени t = 7с целевая точка была перемещена в направлении, противоположном исходной цели. Алгоритм пошагового перепланирования обновил траекторию до новой цели за 4 мс, соответствуя требованиям к реальному времени.

Эксперимент 3: Адаптивное изменение формации в космосе с изменяющейся шириной

Шесть квадрокоптеров проходят через пространства трех разных ширин: 2,5 м, 1,5 м и 3,5 м. Разные формации и интервалы времени выполнения, рассчитанные глобальным алгоритмом планирования, следующие: (i) 1с−2с: 3×2 расположение; (ii) 4с−7с: 2×3 расположение; (iii) 9с−10с: 6×1 расположение.

Рисунок 3: Снимки на 2.4, 4.0, 7.4 и 9.0 секундах шести квадрокоптеров, меняющихformation.

Кроме того, на четырехслойной карте 10 квадрокоптеров прошли через пространства шириной: 4 м, 2 м и 7 м соответственно. Соответствующие формации были: (i) 1s−2s: 5 × 2; (ii) 4s−7s: 2 × 5; (iii) 9s−10s: 10 × 1.

Рисунок 4: Снимки через 2.0 и 8.0 секунд десяти квадрокоптеров, меняющих формацию.

Время выполнения алгоритма

Время выполнения алгоритма

Алгоритм смог вычислить полную траекторию для 10 квадрокоптеров за 0,39 секунды, включая изменения формации, что является крайне эффективным для такой сложной задачи.

Библиография:

Гуо С, Лю Б, Чжан С и др. Генерация траекторий с использованием гауссовских процессов в непрерывное время для формирования много роботов с помощью вероятностного вывода[C]//2021 IEEE/RSJ Международная конференция по интеллектуальным роботам и системам (IROS). IEEE, 2021: 9247-9253.