核心概念
本文提出了一種基於感知融合的層次化協作路徑規劃方法,使多機器人能夠在未知環境中高效地導航至目標點。
摘要
書目資訊
Lin, Q., Lu, W., Meng, L., Li, C., & Liang, B. (2024). Efficient Collaborative Navigation via Perception Fusion for Multi-Robots in Unknown Environments. arXiv preprint arXiv:2411.01274v1.
研究目標
本研究旨在解決多機器人在未知環境中進行協作導航的問題,特別是在有限感知範圍和即時路徑規劃需求下的挑戰。
方法
- 層次化規劃架構: 結合了基於規則的DHbug算法和基於圖神經網絡的優化器。
- DHbug算法作為基礎規劃器,確保機器人能夠避開障礙物並最終到達目標點。
- 圖神經網絡優化器則通過融合多機器人的感知數據,在關鍵決策點選擇更優的繞行方向,提升導航效率。
- 圖注意力網絡與信息增益權重(GIWT):
- 使用CNN提取每個機器人局部地圖的特徵。
- 根據機器人之間的相對位置和感知特徵計算注意力分數,並結合信息增益權重,以融合多機器人感知信息。
- 專家數據生成:
- 在模擬環境中生成包含不同類型障礙物的隨機地圖,並使用A*算法規劃最短路徑作為專家數據的標籤,用於訓練圖神經網絡。
主要發現
- 相比於僅使用單個機器人感知數據的方法,融合多機器人感知信息的GIWT網絡能夠更準確地選擇繞行方向。
- 在模擬和實際機器人測試中,與經典的DHbug算法相比,該方法有效縮短了機器人到達目標點的路徑長度,提高了導航效率。
主要結論
- 基於感知融合的層次化協作路徑規劃方法能夠有效提高多機器人在未知環境中的導航效率。
- 圖神經網絡在融合多機器人感知信息方面具有顯著優勢,能夠幫助機器人做出更明智的導航決策。
意義
本研究為多機器人協作導航提供了一種新的解決方案,在未知環境探索、搜索和救援等領域具有潛在應用價值。
局限性和未來研究方向
- 未來研究可以考慮更複雜的環境因素,例如動態障礙物和不確定性感知信息。
- 可以進一步探索更先進的圖神經網絡架構,以進一步提高信息融合和決策效率。
統計資料
在專家數據集上,該方法的準確率達到約 82%。
在 ROS 測試中,與基礎規劃器相比,該方法在兩種任務中的平均路徑長度分別減少了約 8% 和 6%。
在實際實驗中,該方法實現了超過 6% 的路徑長度縮減。