Multi-Agent Motion Planning with Bézier Curve Optimization under Kinodynamic Constraints

📄 arXiv: 2311.14145v2 📥 PDF

作者: Jingtian Yan, Jiaoyang Li

分类: cs.RO, cs.MA

发布日期: 2023-11-23 (更新: 2024-03-09)

DOI: 10.1109/LRA.2024.3363543

💡 一句话要点

提出PSB规划器以解决多智能体运动规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多智能体运动规划 动力学约束 贝塞尔曲线优化 路径规划 自动驾驶 移动机器人 轨迹优化

📋 核心要点

  1. 现有的多智能体路径规划方法往往忽视智能体的动力学约束，导致实用性不足。
  2. 本文提出的PSB规划器通过三层结构，充分考虑智能体的动力学能力，生成可执行的平滑轨迹。
  3. PSB在多个实验场景中表现出显著的性能提升，解决方案成本相比现有方法提高了49.79%。

📝 摘要（中文）

多智能体运动规划（MAMP）旨在为多个移动智能体在已知环境中寻找无碰撞且动态可行的轨迹，同时最小化旅行时间。现有的多智能体路径规划（MAPF）方法虽然在寻找无碰撞路径方面取得了显著成功，但往往忽视了智能体的动力学约束，假设其瞬时移动，这限制了其实用性和现实性。本文提出了一种基于MAPF的三层规划器PSB，充分考虑了智能体的动力学能力，生成具有平滑速度曲线的解决方案，能够直接由控制器执行。实验证明，PSB在自动驾驶车辆的交通交叉口协调和移动机器人在障碍物丰富的网格地图导航领域表现出高达49.79%的解决方案成本改进。

🔬 方法详解

问题定义：本文解决的是多智能体运动规划（MAMP）问题，现有方法在处理动力学约束时存在不足，通常假设智能体能够瞬时移动，导致生成的轨迹不够现实和可执行。

核心思路：论文提出的PSB规划器通过三层结构设计，充分考虑智能体的动力学能力，生成平滑的速度曲线，从而提高轨迹的可执行性和现实性。

技术框架：PSB的整体架构包括三个主要模块：路径规划模块、速度优化模块和控制执行模块。路径规划模块基于MAPF算法生成初步路径，速度优化模块对路径进行动力学约束下的速度调整，控制执行模块将优化后的轨迹传递给控制器。

关键创新：PSB的核心创新在于其三层结构设计，能够同时考虑路径的无碰撞性和智能体的动力学约束，与传统方法相比，显著提高了轨迹的平滑性和可执行性。

关键设计：在设计中，PSB使用了特定的贝塞尔曲线优化技术来生成平滑轨迹，并通过设置合理的损失函数来平衡路径的平滑性与时间效率，确保生成的轨迹既符合动力学约束又能有效执行。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PSB在多个场景中相比于现有方法，解决方案成本提升高达49.79%。这一显著的性能提升证明了PSB在处理多智能体运动规划问题中的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶车辆的交通交叉口协调和移动机器人在复杂环境中的导航。通过提供更为现实的运动轨迹，PSB能够在实际应用中提升智能体的协作效率和安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Multi-Agent Motion Planning (MAMP) is a problem that seeks collision-free dynamically-feasible trajectories for multiple moving agents in a known environment while minimizing their travel time. MAMP is closely related to the well-studied Multi-Agent Path-Finding (MAPF) problem. Recently, MAPF methods have achieved great success in finding collision-free paths for a substantial number of agents. However, those methods often overlook the kinodynamic constraints of the agents, assuming instantaneous movement, which limits their practicality and realism. In this paper, we present a three-level MAPF-based planner called PSB to address the challenges posed by MAMP. PSB fully considers the kinodynamic capability of the agents and produces solutions with smooth speed profiles that can be directly executed by the controller. Empirically, we evaluate PSB within the domains of traffic intersection coordination for autonomous vehicles and obstacle-rich grid map navigation for mobile robots. PSB shows up to 49.79% improvements in solution cost compared to existing methods.