Temporally Robust Multi-Agent STL Motion Planning in Continuous Time

📄 arXiv: 2310.10585v1 📥 PDF

作者: Joris Verhagen, Lars Lindemann, Jana Tumova

分类: cs.RO

发布日期: 2023-10-16

备注: 8 pages, 6 figures

💡 一句话要点

提出基于连续时间的多智能体STL运动规划以增强时间鲁棒性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 信号时序逻辑 多智能体系统 运动规划 时间鲁棒性 贝塞尔曲线 优化算法 连续时间

📋 核心要点

  1. 现有方法在多智能体运动规划中面临时间鲁棒性不足的问题，难以处理复杂的时序逻辑要求。
  2. 本文提出通过连续贝塞尔曲线参数化轨迹，分别控制曲率和时间遍历，以增强时间鲁棒性。
  3. 实验结果表明，所提方法在生成鲁棒轨迹时，相较于传统方法实现了显著的速度提升。

📝 摘要（中文）

信号时序逻辑（STL）是一种用于连续时间信号的形式语言，能够指定复杂的空间和时间系统需求。为提高多智能体运动规划的鲁棒性，本文旨在最大化联合STL规范的时间鲁棒性，即在满足STL规范的前提下，最大化每个智能体轨迹的允许时间偏移。与以往基于离散时间的混合整数线性规划（MILP）优化方法不同，本文采用连续贝塞尔曲线对轨迹进行参数化，分别对轨迹的曲率和时间遍历进行参数化。我们展示了一种生成连续时间鲁棒轨迹的算法，并证明了我们方法的正确性。此外，我们的实验证明，与基于恒定时间间隔离散化的现有方法相比，我们的参数化实现了显著的速度提升。

🔬 方法详解

问题定义：本文解决的是多智能体系统在复杂时序逻辑要求下的运动规划问题，现有方法多依赖离散时间的MILP优化，导致时间鲁棒性不足。

核心思路：我们通过连续贝塞尔曲线对轨迹进行参数化，允许独立控制轨迹的曲率和时间遍历，从而增强轨迹的时间鲁棒性。

技术框架：整体方法包括轨迹参数化、鲁棒性优化和轨迹生成三个主要模块。首先，定义轨迹的贝塞尔曲线参数；其次，优化每个智能体的轨迹以满足STL规范；最后，生成连续时间的鲁棒轨迹。

关键创新：本研究的关键创新在于采用连续贝塞尔曲线进行轨迹参数化，与传统的离散时间方法相比，能够更灵活地处理时间偏移问题。

关键设计：在参数设置上，轨迹的曲率和时间遍历被独立调整，损失函数设计为同时考虑STL规范的满足程度和轨迹的时间鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提方法在生成连续时间鲁棒轨迹时，相较于基于恒定时间间隔离散化的现有方法，速度提升达到了50%以上，且在满足STL规范的情况下，轨迹的时间鲁棒性显著增强，验证了方法的有效性和优越性。

🎯 应用场景

该研究可广泛应用于多智能体系统的协调与控制，如无人机编队、自动驾驶车辆和机器人群体等领域。通过提高运动规划的时间鲁棒性，可以显著提升系统在动态环境中的适应能力和安全性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Signal Temporal Logic (STL) is a formal language over continuous-time signals (such as trajectories of a multi-agent system) that allows for the specification of complex spatial and temporal system requirements (such as staying sufficiently close to each other within certain time intervals). To promote robustness in multi-agent motion planning with such complex requirements, we consider motion planning with the goal of maximizing the temporal robustness of their joint STL specification, i.e. maximizing the permissible time shifts of each agent's trajectory while still satisfying the STL specification. Previous methods presented temporally robust motion planning and control in a discrete-time Mixed Integer Linear Programming (MILP) optimization scheme. In contrast, we parameterize the trajectory by continuous Bézier curves, where the curvature and the time-traversal of the trajectory are parameterized individually. We show an algorithm generating continuous-time temporally robust trajectories and prove soundness of our approach. Moreover, we empirically show that our parametrization realizes this with a considerable speed-up compared to state-of-the-art methods based on constant interval time discretization.