DisCo: Distributed Contact-Rich Trajectory Optimization for Forceful Multi-Robot Collaboration
作者: Ola Shorinwa, Matthew Devlin, Elliot W. Hawkes, Mac Schwager
分类: cs.RO, eess.SY
发布日期: 2024-10-30
💡 一句话要点
DisCo：用于强力多机器人协作的分布式接触轨迹优化算法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多机器人协作 分布式优化 接触隐式轨迹优化 ADMM 机器人运动规划
📋 核心要点
- 现有集中式接触轨迹优化方法计算复杂度高，难以扩展到多机器人系统，且缺乏隐私保护。
- DisCo算法采用分布式接触隐式轨迹优化，利用ADMM将全局问题分解为局部问题，并通过对偶变量实现机器人间的协作。
- 实验表明，DisCo在协同操作、机器人运动等任务中，成功率提升3倍，计算速度提升2.5-5倍。
📝 摘要（中文）
本文提出了一种名为DisCo的分布式算法，用于解决富接触的多机器人任务。DisCo是一种分布式接触隐式轨迹优化算法，它允许一组机器人优化作用于物体和环境的时间序列力，以完成诸如协同操作、机器人团队运动和模块化机器人运动等任务。该算法基于交替方向乘子法（ADMM）的变体，其中每个机器人从较小的单机器人、接触隐式轨迹优化问题中计算其自身的接触力和接触切换事件，同时通过对偶变量与其他机器人协作，从而加强机器人之间的约束。每个机器人迭代地解决其局部问题，并通过无线网状网络进行通信，以加强与其邻居的一致性约束，最终收敛到该组的协调计划。每个机器人解决的局部问题比具有所有机器人的接触力和切换事件的集中式问题更简单，从而提高了计算效率，同时也保留了每个机器人操作某些方面的隐私。我们在协同操作、多机器人团队运动场景和模块化机器人运动的仿真中证明了该算法的有效性，其中DisCo实现了3倍更高的成功率，计算时间快2.5倍至5倍。此外，我们还提供了模块化桁架机器人的硬件实验结果，其中三个协作桁架节点独立规划，同时协同工作以产生复合结构的间断滚动门运动。
🔬 方法详解
问题定义：论文旨在解决多机器人系统中，在存在大量接触交互的情况下，如何高效、可靠地进行轨迹优化的问题。现有集中式方法计算复杂度随着机器人数量和接触点数量的增加而急剧上升，难以应用于大规模系统，并且缺乏对单个机器人操作隐私的保护。
核心思路：论文的核心思路是将全局的轨迹优化问题分解为多个局部问题，每个机器人负责优化自身的轨迹和接触力，并通过分布式优化算法（ADMM）协调各个机器人之间的行为。这种分解降低了每个机器人需要处理的计算量，提高了计算效率，并且允许每个机器人保留部分操作的隐私。
技术框架：DisCo算法的整体框架如下：1) 将全局优化问题分解为多个局部优化问题，每个机器人对应一个局部问题。2) 每个机器人独立求解其局部接触隐式轨迹优化问题，得到自身的轨迹和接触力。3) 使用ADMM算法，通过交换对偶变量，在机器人之间强制执行一致性约束。4) 机器人迭代执行步骤2和3，直到收敛到全局最优解。
关键创新：DisCo算法的关键创新在于：1) 分布式优化：将全局问题分解为局部问题，显著降低了计算复杂度。2) 接触隐式轨迹优化：直接优化接触力，避免了显式建模接触状态的困难。3) 基于ADMM的协调机制：保证了机器人之间的协作和一致性。
关键设计：DisCo算法的关键设计包括：1) 局部优化问题的目标函数，通常包括轨迹平滑性、任务完成度等。2) 接触模型的选择，例如摩擦锥模型。3) ADMM算法的参数设置，例如惩罚因子。4) 无线通信网络的拓扑结构，影响机器人之间的信息交换效率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，DisCo算法在协同操作、多机器人团队运动和模块化机器人运动等仿真场景中，实现了3倍更高的成功率，计算时间缩短了2.5倍至5倍。在模块化桁架机器人的硬件实验中，三个协作桁架节点能够独立规划并协同工作，完成间断滚动门运动。
🎯 应用场景
DisCo算法可应用于多种多机器人协作场景，如协同操作、多机器人团队运动、模块化机器人运动等。该算法能够提高多机器人系统的自主性和适应性，使其能够在复杂环境中完成各种任务。未来，该算法有望应用于工业自动化、物流、救援等领域。
📄 摘要（原文）
We present DisCo, a distributed algorithm for contact-rich, multi-robot tasks. DisCo is a distributed contact-implicit trajectory optimization algorithm, which allows a group of robots to optimize a time sequence of forces to objects and to their environment to accomplish tasks such as collaborative manipulation, robot team sports, and modular robot locomotion. We build our algorithm on a variant of the Alternating Direction Method of Multipliers (ADMM), where each robot computes its own contact forces and contact-switching events from a smaller single-robot, contact-implicit trajectory optimization problem, while cooperating with other robots through dual variables, enforcing constraints between robots. Each robot iterates between solving its local problem, and communicating over a wireless mesh network to enforce these consistency constraints with its neighbors, ultimately converging to a coordinated plan for the group. The local problems solved by each robot are significantly less challenging than a centralized problem with all robots' contact forces and switching events, improving the computational efficiency, while also preserving the privacy of some aspects of each robot's operation. We demonstrate the effectiveness of our algorithm in simulations of collaborative manipulation, multi-robot team sports scenarios, and in modular robot locomotion, where DisCo achieves $3$x higher success rates with a 2.5x to 5x faster computation time. Further, we provide results of hardware experiments on a modular truss robot, with three collaborating truss nodes planning individually while working together to produce a punctuated rolling-gate motion of the composite structure. Videos are available on the project page: https://disco-opt.github.io.