Distributed Predictive Flocking for a Swarm of Miniature Vibration-Driven Robots in a Confined Arena
作者: Prajol Shrestha, Siddhant Mohapatra, Filip Novkoski, Julian Oelhaf, Nicolas Vandewalle, Ana-Sunčana Smith, Andreas Maier
分类: cs.RO, cs.LG
发布日期: 2026-10-26
备注: Submitted to Robotics and Autonomous Systems
💡 一句话要点
提出分布式预测集群控制以解决微型机器人协调问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 群体机器人 分布式控制 碰撞避免 模型预测控制 控制障碍函数 微型机器人 协调性 安全性
📋 核心要点
- 现有的群体机器人协调方法在没有中心控制的情况下，难以有效避免碰撞，尤其是在密集环境中。
- 本文提出了一种分布式预测集群控制器，允许每个机器人独立优化其运动，增强群体的协调性和安全性。
- 实验结果显示，使用前瞻性离散时间CBF的控制器在多种任务中表现出较低的碰撞率和良好的机器人间安全距离。
📝 摘要（中文）
在没有领导者、中央规划者或全局地图的情况下，协调许多微型机器人在有限空间内的运动是群体机器人技术的核心挑战。随着机器人数量的增加，避免碰撞成为限制因素。本文提出了一种分布式预测集群控制器，每个机器人独立解决非线性模型预测控制（NMPC）问题，优化群体的凝聚力、对齐成本、机器人间及障碍物的安全性以及任务目标，同时仅与局部邻居交换预测轨迹。通过在数字双胞胎平台上比较六种安全性公式，结果表明前瞻性离散时间控制障碍函数（CBF）在碰撞最少和机器人间安全距离最宽方面表现最佳。该方法在不同任务中表现出良好的协调性和凝聚力，且在接近几何堆积极限时，碰撞率上升缓慢。
🔬 方法详解
问题定义：本文旨在解决在有限空间内协调多个微型机器人时的碰撞避免问题。现有方法通常依赖于中心控制，缺乏灵活性和扩展性，尤其在机器人数量增加时，碰撞风险显著上升。
核心思路：提出的分布式预测集群控制器允许每个机器人独立解决其非线性模型预测控制（NMPC）问题，优化群体的凝聚力、对齐、安全性和任务目标。通过局部邻居间的预测轨迹交换，增强了系统的灵活性和实时性。
技术框架：整体架构包括每个机器人独立的NMPC模块，安全性约束模块，以及与邻居的预测轨迹交换机制。每个模块在实时环境中协同工作，确保机器人在动态环境中安全有效地移动。
关键创新：最重要的创新在于引入了前瞻性离散时间控制障碍函数（CBF），该方法在不同的机器人密度下有效减少了碰撞，并保持了高水平的局部对齐。与传统方法相比，该方法在安全性与秩序之间实现了良好的平衡。
关键设计：在设计中，采用了多种安全性约束的比较，包括六种不同的控制障碍函数，最终选择了表现最佳的前瞻性离散时间CBF。损失函数的设计考虑了群体的凝聚力和安全性，确保机器人在执行任务时的稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，使用前瞻性离散时间CBF的控制器在所有测试的群体规模中，碰撞数量最少，机器人间的安全距离最宽。相比其他安全性公式，该方法在接近几何堆积极限时，碰撞率上升缓慢，显示出良好的协调性和凝聚力。
🎯 应用场景
该研究的潜在应用领域包括无人机编队、自动驾驶车辆、以及其他需要多机器人协作的场景。通过实现高效的碰撞避免和协调控制，该方法能够在复杂环境中提升机器人群体的工作效率和安全性，具有广泛的实际价值和未来影响。
📄 摘要（原文）
Coordinating many miniature robots in a confined arena, with no leader, central planner, or global map, is a core challenge for swarm robotics. As the swarm grows denser, collision avoidance becomes the limiting factor, and the number of safely coexisting robots depends on the formulation of the inter-robot safety constraint. We present a distributed predictive flocking controller in which each robot solves its own nonlinear model predictive control (NMPC) problem, optimizing swarm cohesion and alignment costs, inter-robot and obstacle safety, and a task objective, while exchanging only predicted trajectories with local neighbors. Within this generalized controller architecture, solved in real time, we compare six barrier and control-barrier-function (CBF) safety formulations on a digital twin of an open-source vibration-driven bristlebot in a $0.64\,\mathrm{m^2}$ arena. A look-ahead discrete-time CBF performs best overall, with the fewest collisions and the widest inter-robot margins across nearly every swarm size tested. We deploy it on phototaxis, phototactic orbiting, and cohesion without a stimulus tasks, using swarm sizes starting from ten robots and up to the geometric packing limit. The swarm holds well: collisions stay low in small swarms, rising steeply as the packing limit approaches, while coordination and cohesion degrade gently rather than collapsing. The swarm is found not to trade safety for order, keeping both across the confined arena, with local alignment high at every swarm size.