PUMA: Fully Decentralized Uncertainty-aware Multiagent Trajectory Planner with Real-time Image Segmentation-based Frame Alignment
作者: Kota Kondo, Claudius T. Tewari, Mason B. Peterson, Annika Thomas, Jouko Kinnari, Andrea Tagliabue, Jonathan P. How
分类: cs.RO, cs.MA
发布日期: 2023-11-07 (更新: 2024-03-06)
备注: 7 pages, 13 figures, conference paper
💡 一句话要点
提出一种基于图像分割的去中心化多智能体轨迹规划方法以解决导航不确定性问题
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 多智能体系统 轨迹规划 图像分割 不确定性感知 去中心化 帧对齐 碰撞避免
📋 核心要点
- 现有的多智能体轨迹规划方法在动态环境中面临障碍物跟踪和碰撞避免的挑战，尤其是在去中心化设置下。
- 本文提出了一种不确定性感知的多智能体轨迹规划器，结合图像分割技术实现智能体间的帧对齐，提升了导航的安全性和有效性。
- 实验结果表明，所提方法在仿真和硬件测试中均实现了显著的帧对齐精度，确保了智能体的安全导航。
📝 摘要（中文）
本文提出了一种完全去中心化的多智能体轨迹规划器，旨在解决在未知环境中安全导航的挑战。该规划器通过传播检测到的障碍物未来运动的不确定性，并将其纳入优化约束，从而有效地规避障碍物。此外，论文还引入了一种基于图像分割的帧对齐管道，以解决智能体间轨迹共享可能导致的帧失配问题。通过零样本图像分割模型和基于几何一致性的数据关联框架，本文的方法在最具挑战性的仿真场景中实现了0.18米和2.7度的平均帧对齐误差，硬件实验中则达到了0.29米和2.59度的误差。结合对齐框架，该规划器确保了在未知环境中的安全导航和去中心化设置下的碰撞避免。
🔬 方法详解
问题定义：本文旨在解决在未知环境中多智能体的安全导航问题，尤其是在去中心化设置下，障碍物的动态变化和定位不确定性使得轨迹规划变得复杂。现有方法往往依赖于显式障碍物跟踪，难以应对这些挑战。
核心思路：论文提出的不确定性感知轨迹规划器通过传播障碍物未来运动的不确定性，并将其纳入优化约束，从而实现有效的障碍物规避。同时，采用基于图像分割的帧对齐管道，解决智能体间轨迹共享时的帧失配问题。
技术框架：整体架构包括两个主要模块：不确定性感知轨迹规划器和帧对齐管道。轨迹规划器负责生成安全的轨迹，而帧对齐管道则通过零样本图像分割模型和几何一致性框架实现智能体间的帧对齐。
关键创新：本研究的核心创新在于将不确定性传播与隐式障碍物跟踪相结合，突破了传统方法的局限。此外，基于图像分割的帧对齐方法有效解决了智能体间的帧失配问题，提升了多智能体系统的协作能力。
关键设计：在设计中，采用了零样本图像分割模型进行环境物体检测，并通过几何一致性进行数据关联，确保了高精度的帧对齐。实验中，优化了参数设置以降低帧对齐误差，最终实现了在仿真和硬件测试中的优异表现。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在最具挑战性的仿真场景中实现了0.18米和2.7度的平均帧对齐误差，而在硬件实验中则达到了0.29米和2.59度的误差。这些结果表明，本文的方法在确保安全导航和碰撞避免方面具有显著优势。
🎯 应用场景
该研究在搜索与救援、包裹投递等复杂任务中具有广泛的应用潜力。通过实现安全的多智能体导航，该方法能够有效应对动态环境中的不确定性，为未来的智能交通系统和无人机群体协作提供支持。
📄 摘要（原文）
Fully decentralized, multiagent trajectory planners enable complex tasks like search and rescue or package delivery by ensuring safe navigation in unknown environments. However, deconflicting trajectories with other agents and ensuring collision-free paths in a fully decentralized setting is complicated by dynamic elements and localization uncertainty. To this end, this paper presents (1) an uncertainty-aware multiagent trajectory planner and (2) an image segmentation-based frame alignment pipeline. The uncertainty-aware planner propagates uncertainty associated with the future motion of detected obstacles, and by incorporating this propagated uncertainty into optimization constraints, the planner effectively navigates around obstacles. Unlike conventional methods that emphasize explicit obstacle tracking, our approach integrates implicit tracking. Sharing trajectories between agents can cause potential collisions due to frame misalignment. Addressing this, we introduce a novel frame alignment pipeline that rectifies inter-agent frame misalignment. This method leverages a zero-shot image segmentation model for detecting objects in the environment and a data association framework based on geometric consistency for map alignment. Our approach accurately aligns frames with only 0.18 m and 2.7 deg of mean frame alignment error in our most challenging simulation scenario. In addition, we conducted hardware experiments and successfully achieved 0.29 m and 2.59 deg of frame alignment error. Together with the alignment framework, our planner ensures safe navigation in unknown environments and collision avoidance in decentralized settings.