SwarmDiff: Swarm Robotic Trajectory Planning in Cluttered Environments via Diffusion Transformer

要約

群れのロボット軌道計画は、特に複雑で障害の強い環境で、計算効率、スケーラビリティ、安全性の課題に直面しています。
これらの問題に対処するために、群れロボットの階層的でスケーラブルな生成フレームワークであるSwarmDiffを提案します。
確率密度関数（PDF）を使用して群れの巨視的状態をモデル化し、条件付き拡散モデルを活用してリスク認識の巨視的軌道分布を生成し、顕微鏡レベルで個々のロボット軌道の生成を導きます。
Swarmの最適な輸送とリスク認識のバランスを確保するために、Wasserstein MetricsとRiskの条件価値（CVAR）を統合します。
さらに、長距離依存関係をキャプチャすることにより、サンプリング効率と生成品質を改善するために、拡散トランス（DIT）を導入します。
広範なシミュレーションと現実世界の実験は、SwarmDiffが計算効率、軌跡の妥当性、およびスケーラビリティの既存の方法を上回ることを示しており、それを群れのロボット軌道計画の信頼できるソリューションにしていることを示しています。

要約(オリジナル)

Swarm robotic trajectory planning faces challenges in computational efficiency, scalability, and safety, particularly in complex, obstacle-dense environments. To address these issues, we propose SwarmDiff, a hierarchical and scalable generative framework for swarm robots. We model the swarm’s macroscopic state using Probability Density Functions (PDFs) and leverage conditional diffusion models to generate risk-aware macroscopic trajectory distributions, which then guide the generation of individual robot trajectories at the microscopic level. To ensure a balance between the swarm’s optimal transportation and risk awareness, we integrate Wasserstein metrics and Conditional Value at Risk (CVaR). Additionally, we introduce a Diffusion Transformer (DiT) to improve sampling efficiency and generation quality by capturing long-range dependencies. Extensive simulations and real-world experiments demonstrate that SwarmDiff outperforms existing methods in computational efficiency, trajectory validity, and scalability, making it a reliable solution for swarm robotic trajectory planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google