MRBTP: Efficient Multi-Robot Behavior Tree Planning and Collaboration

要約

マルチロボットタスクの計画とコラボレーションは、ロボット工学における重要な課題です。
動作ツリー（BTS）は一般的な制御アーキテクチャとして確立されており、単一のロボットで計画できますが、効果的なマルチロボットBT計画アルゴリズムの開発は、多様なアクションスペースの調整の複雑さのために依然として困難です。
マルチロボット行動ツリープランニング（MRBTP）アルゴリズムを提案し、健全性と完全性の両方を保証します。
MRBTPは、チームの目標を達成するために、さまざまなBTS間の異種アクションを調整するためのクロスツリー拡張を特徴としています。
均一なアクションのために、BTS間のバックアップ構造を保持して、堅牢性を確保し、意図共有を通じて冗長な実行を防ぎます。
MRBTPは、均一なロボットチームと不均一なロボットチームの両方でBTSを生成できますが、その効率をさらに改善することができます。
次に、各ロボットの目標関連アクションを推論するために大規模な言語モデル（LLM）が利用可能な場合、MRBTPのオプションプラグインを提案します。
これらの関連するアクションは、MRBTPの計画速度とコラボレーション効率を大幅に向上させるために、事前に計画することができます。
倉庫管理と日常のサービスシナリオでのアルゴリズムを評価します。
結果は、さまざまな設定でのMRBTPの堅牢性と実行効率、および事前に訓練されたLLMがMRBTPの効果的なタスク固有のサブツリーを生成する能力を示しています。

要約(オリジナル)

Multi-robot task planning and collaboration are critical challenges in robotics. While Behavior Trees (BTs) have been established as a popular control architecture and are plannable for a single robot, the development of effective multi-robot BT planning algorithms remains challenging due to the complexity of coordinating diverse action spaces. We propose the Multi-Robot Behavior Tree Planning (MRBTP) algorithm, with theoretical guarantees of both soundness and completeness. MRBTP features cross-tree expansion to coordinate heterogeneous actions across different BTs to achieve the team’s goal. For homogeneous actions, we retain backup structures among BTs to ensure robustness and prevent redundant execution through intention sharing. While MRBTP is capable of generating BTs for both homogeneous and heterogeneous robot teams, its efficiency can be further improved. We then propose an optional plugin for MRBTP when Large Language Models (LLMs) are available to reason goal-related actions for each robot. These relevant actions can be pre-planned to form long-horizon subtrees, significantly enhancing the planning speed and collaboration efficiency of MRBTP. We evaluate our algorithm in warehouse management and everyday service scenarios. Results demonstrate MRBTP’s robustness and execution efficiency under varying settings, as well as the ability of the pre-trained LLM to generate effective task-specific subtrees for MRBTP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google