Интервальные временные ограничения для планирования согласованных движений многозвенных манипуляторов

Обложка
  • Авторы: Зайцев А.С1, Яковлев К.С2
  • Учреждения:
    1. Санкт-Петербургский государственный университет
    2. Федеральное государственное учреждение «Федеральный исследовательский центр «Информатика и управление» Российской академии наук» (ФИЦ ИУ РАН)
  • Выпуск: Том 24, № 4 (2025)
  • Страницы: 1007-1028
  • Раздел: Робототехника, автоматизация и системы управления
  • URL: https://ogarev-online.ru/2713-3192/article/view/350732
  • DOI: https://doi.org/10.15622/ia.24.4.1
  • ID: 350732

Цитировать

Полный текст

Аннотация

В работе рассматривается задача планирования согласованных движений для системы многозвенных роботов-манипуляторов. Одним из перспективных современных подходов к её решению является конфликтно-ориентированное планирование, позволяющее отказаться от построения комбинированного пространства поиска высокой размерности за счет перехода к последовательному решению совокупности задач более низкой размерности. Этот переход осуществляется путем задания пространственно-временных ограничений при наличии конфликта в индивидуальных планах манипуляторов и последующего пере-планирования с учетом наложенных ограничений. К сожалению, известные к настоящему моменту способы наложения ограничений оперируют отдельными моментами времени, что снижает их эффективность на практике. В данной работе представляется новый алгоритм конфликтно-ориентированного планирования, основанный не на точечных, а на интервальных временных ограничениях – GECBS-T. С теоретической точки зрения, предлагаемый алгоритм гарантирует ограниченную суб-оптимальность конструируемых решений, т.е. при любом наперёд заданном пользователем ограничении w > 1, стоимость решения GECBS-T не будет превышать стоимость оптимального решения более, чем в w раз. На практике же, предлагаемый алгоритм существенно превосходит аналогичные алгоритмы по скорости решения задач планирования, что подтверждается проведенными экспериментами в робототехническом симуляторе mujoco, включающими 2-4 робота-манипулятора Kuka с 7 степенями свободы каждый.

Об авторах

А. С Зайцев

Санкт-Петербургский государственный университет

Email: Dusha.Zaitsev@yandex.ru
Университетская набережная 7–9

К. С Яковлев

Федеральное государственное учреждение «Федеральный исследовательский центр «Информатика и управление» Российской академии наук» (ФИЦ ИУ РАН)

Email: yakovlev@isa.ru
улица Вавилова 44/2

Список литературы

  1. Sharon G., Stern R., Felner A., Sturtevant N.R. Conflict-based search for optimal multi-agent pathfinding. Artificial intelligence. 2015. vol. 219. pp. 40–66.
  2. Shaoul Y., Veerapaneni R., Likhachev M., Li J. Unconstraining multi-robot manipulation: Enabling arbitrary constraints in ecbs with bounded sub-optimality. Proceedings of the International Symposium on Combinatorial Search. 2024. vol. 17. pp. 109–117.
  3. Ma H., Koenig S. Ai buzzwords explained: multi-agent path finding (mapf). AI Matters. 2017. vol. 3(3). pp. 15–19.
  4. Stern R., Sturtevant N., Felner A., Koenig S., Ma H., Walker T., Li J., Atzmon D., Cohen L., Kumar T.K., et al. Multi-agent pathfinding: Definitions, variants, and benchmarks. Proceedings of the International Symposium on Combinatorial Search. 2019. vol. 10. pp. 151–158.
  5. Ma H., Harabor D., Stuckey P.J., Li J., Koenig S. Searching with consistent prioritization for multi-agent path finding. In Proceedings of the AAAI conference on artificial intelligence. 2019. vol. 33. pp. 7643–7650.
  6. Chan S.-H., Stern R., Felner A., Koenig S. Greedy priority-based search for suboptimal multi-agent path finding. Proceedings of the International Symposium on Combinatorial Search. 2023. vol. 16. pp. 11–19.
  7. Zhang S., Li J., Huang T., Koenig S., Dilkina B. Learning a priority ordering for prioritized planning in multi-agent path finding. Proceedings of the International Symposium on Combinatorial Search. 2022. vol. 15. pp. 208–216.
  8. Sharon G., Stern R., Felner A., Sturtevant N.R. Conflict-based search for optimal multi-agent pathfinding. Artificial intelligence. 2015. vol. 219. pp. 40–66.
  9. Shaoul Y., Mishani I., Likhachev M., Li J. Accelerating search-based planning for multi-robot manipulation by leveraging online-generated experiences. Proceedings of the International Conference on Automated Planning and Scheduling. 2024. vol. 34. pp. 523–531.
  10. Chen J., Li J., Huang Y., Garrett C., Sun D., Fan C., Hofmann A., Mueller C., Koenig S., Williams B.C. Cooperative task and motion planning for multi-arm assembly systems. arXiv preprint arXiv:2203.02475. 2022.
  11. LaValle S. Rapidly-exploring random trees: A new tool for path planning. Research Report 9811. 1998.
  12. Kuffner J.J., LaValle S.M. Rrt-connect: An efficient approach to single-query path planning. Proceedings 2000 ICRA. Millennium conference. IEEE international conference on robotics and automation. Symposia proceedings (Cat. No. 00CH37065). IEEE, 2000. vol. 2. pp. 995–1001.
  13. Lacevic B., Osmankovic D.. Improved c-space exploration and path planning for robotic manipulators using distance information. 2020 IEEE International Conference on Robotics and Automation (ICRA). IEEE, 2020. pp. 1176–1182.
  14. Karaman S., Frazzoli E. Sampling-based algorithms for optimal motion planning. The international journal of robotics research. 2011. vol. 30(7). pp. 846–894.
  15. Zhang D., Zhu G., Zhang Q. Multi-robot motion planning: A learning-based artificial potential field solution. 2nd Conference on Fully Actuated System Theory and Applications (CFASTA). IEEE, 2023. pp. 233–238.
  16. Shaoul Y., Mishani I., Vats S., Li J., Likhachev M. Multi-robot motion planning with diffusion models. arXiv preprint arXiv:2410.03072. 2024.
  17. Aljalbout E., Karl M., van der Smagt P. Clas: Coordinating multi-robot manipulation with central latent action spaces. Learning for Dynamics and Control Conference. PMLR, 2023. pp. 1152–1166.
  18. Sharon G., Stern R., Felner A., Sturtevant N.R. Conflict-based search for optimal multi-agent pathfinding. Artificial intelligence. 2015. vol. 219. pp. 40–66.
  19. Ebendt R., Drechsler R. Weighted a search–unifying view and application. Artificial Intelligence. 2009. vol. 173(14). pp. 1310–1342.
  20. Li J., Ruml W., Koenig S. Eecbs: A bounded-suboptimal search for multi-agent path finding. In Proceedings of the AAAI conference on artificial intelligence. 2021. vol. 35(14). pp. 12353–12362.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).