CSDO: Enhancing Efficiency and Success in Large-Scale Multi-Vehicle Trajectory Planning

要約

この論文では、大規模な複数車両軌道計画 (MVTP) 問題の実現可能な解決策を見つけるための、集中検索および分散最適化 (CSDO) と名付けられた効率的なアルゴリズムを紹介します。
エージェントの数に応じて非凸制約が手に負えないほど増大するため、実行可能な解決策を見つけるには、異なる凸ドメインを暗示するさまざまなホモトピー クラスを探索することが重要です。
しかし、既存の方法は、時間のかかる正確な軌道解の発見と組み合わせるため、さまざまなホモトピー クラスを効率的に探索するのが困難です。
CSDO は、この制限をさまざまなレベルに分離し、効率的なマルチエージェント パス検索 (MAPF) アルゴリズムを統合してホモトピー クラスを検索することで、この制限に対処します。
まず、大規模な検索ステップを使用して大まかな初期推定を検索し、特定のホモトピー クラスを識別します。
その後の分散二次計画法 (QP) の改良により、この推測が処理され、軽微な衝突が効率的に解決されます。
実験結果では、CSDO が大規模かつ高密度のシナリオで既存の MVTP アルゴリズムよりも優れたパフォーマンスを発揮し、1 秒程度の 5,000 万 $\times$ 5,000 万のランダム シナリオで最大 95% の成功率を達成することが実証されました。
ソースコードは https://github.com/YangSVM/CSDOTrajectoryPlanning で公開されています。

要約(オリジナル)

This paper presents an efficient algorithm, naming Centralized Searching and Decentralized Optimization (CSDO), to find feasible solution for large-scale Multi-Vehicle Trajectory Planning (MVTP) problem. Due to the intractable growth of non-convex constraints with the number of agents, exploring various homotopy classes that imply different convex domains, is crucial for finding a feasible solution. However, existing methods struggle to explore various homotopy classes efficiently due to combining it with time-consuming precise trajectory solution finding. CSDO, addresses this limitation by separating them into different levels and integrating an efficient Multi-Agent Path Finding (MAPF) algorithm to search homotopy classes. It first searches for a coarse initial guess using a large search step, identifying a specific homotopy class. Subsequent decentralized Quadratic Programming (QP) refinement processes this guess, resolving minor collisions efficiently. Experimental results demonstrate that CSDO outperforms existing MVTP algorithms in large-scale, high-density scenarios, achieving up to 95% success rate in 50m $\times$ 50m random scenarios around one second. Source codes are released in https://github.com/YangSVM/CSDOTrajectoryPlanning.

arxiv情報

著者 Yibin Yang,Shaobing Xu,Xintao Yan,Junkai Jiang,Jianqiang Wang,Heye Huang
発行日 2024-05-31 14:42:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO パーマリンク