Risk-Aware Non-Myopic Motion Planner for Large-Scale Robotic Swarm Using CVaR Constraints

要約

Swarm ロボティクスは、複雑で同期されたタスクを実行できるため、大きな注目を集めています。
群れロボットシステムの動作計画のための既存の方法論は、主に拡張性と安全性の保証において困難に直面しています。
これらの制限に対処するために、我々は、安全を確保しながら、雑然とした環境の中を大規模な群れを体系的にナビゲートする、条件付きの Valuee at Risk (ROVER) を使用したリスク認識型の群れ行動プランナーを提案します。
ROVER は、ガウス混合モデル (GMM) で表されるロボット群の巨視的状態を前提とした有限時間モデル予測制御 (FTMPC) 問題を定式化し、衝突回避を確実にするために条件付きバリューアットリスク (CVaR) を統合します。
ROVER の重要なコンポーネントは、衝突回避を強制するために、群 GMM と FTMPC 内の障害物との間の符号付き距離関数の分布に CVaR 制約を課すことです。
この研究で導出された GMM の CVaR の分析式を利用して、逐次線形計画法を通じて非線形制約付き FTMPC を解くための計算効率の高いソリューションを開発します。
シミュレーションと代表的なベンチマーク アプローチとの比較により、柔軟性、拡張性、リスク軽減における ROVER の有効性が実証されています。

要約(オリジナル)

Swarm robotics has garnered significant attention due to its ability to accomplish elaborate and synchronized tasks. Existing methodologies for motion planning of swarm robotic systems mainly encounter difficulties in scalability and safety guarantee. To address these limitations, we propose a Risk-aware swarm mOtion planner using conditional ValuE at Risk (ROVER) that systematically navigates large-scale swarms through cluttered environments while ensuring safety. ROVER formulates a finite-time model predictive control (FTMPC) problem predicated upon the macroscopic state of the robot swarm represented by a Gaussian Mixture Model (GMM) and integrates conditional value-at-risk (CVaR) to ensure collision avoidance. The key component of ROVER is imposing a CVaR constraint on the distribution of the Signed Distance Function between the swarm GMM and obstacles in the FTMPC to enforce collision avoidance. Utilizing the analytical expression of CVaR of a GMM derived in this work, we develop a computationally efficient solution to solve the non-linear constrained FTMPC through sequential linear programming. Simulations and comparisons with representative benchmark approaches demonstrate the effectiveness of ROVER in flexibility, scalability, and risk mitigation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google