Multi-Robot Motion Planning: A Learning-Based Artificial Potential Field Solution

要約

動作計画は、システムや環境の境界に違反することなく、入力、安全性、パフォーマンスの制約などのさまざまな制約を考慮しながら、目的地までの実行可能な動作経路を特定することを含むため、ロボットの自律性の重要な側面です。
これは、複数のロボットが通信なしで実行される場合に特に困難になり、リアルタイムの効率、安全性、パフォーマンスが損なわれます。
この論文では、深層強化学習を人工ポテンシャル場 (APF) に組み込んだ学習ベースのポテンシャル場アルゴリズムを紹介します。
具体的には、環境に関する動的情報を前処理する観測埋め込みメカニズムを導入し、軌道の滑らかさを改善するための柔らかい壁追従ルールを開発します。
私たちの方法は事後的な計画に属しますが、暗黙的に環境特性をエンコードします。
さらに、私たちのアプローチは任意の数のロボットにスケールアップでき、数値シミュレーションを通じて APF や RL と比較して優れたパフォーマンスを実証しました。
最後に、提案手法の有効性を強調するために実験が行われます。

要約(オリジナル)

Motion planning is a crucial aspect of robot autonomy as it involves identifying a feasible motion path to a destination while taking into consideration various constraints, such as input, safety, and performance constraints, without violating either system or environment boundaries. This becomes particularly challenging when multiple robots run without communication, which compromises their real-time efficiency, safety, and performance. In this paper, we present a learning-based potential field algorithm that incorporates deep reinforcement learning into an artificial potential field (APF). Specifically, we introduce an observation embedding mechanism that pre-processes dynamic information about the environment and develop a soft wall-following rule to improve trajectory smoothness. Our method, while belonging to reactive planning, implicitly encodes environmental properties. Additionally, our approach can scale up to any number of robots and has demonstrated superior performance compared to APF and RL through numerical simulations. Finally, experiments are conducted to highlight the effectiveness of our proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google