LF: Online Multi-Robot Path Planning Meets Optimal Trajectory Control
作者: Ajay Shankar, Keisuke Okumura, Amanda Prorok
分类: cs.RO, cs.MA
发布日期: 2025-07-15
备注: 9 pages; under review for IEEE Robotics & Automation - Letters (RA-L)
💡 一句话要点
LF：在线多机器人路径规划与最优轨迹控制框架，解决大规模机器人协同导航问题
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 多机器人路径规划 最优轨迹控制 多智能体系统 分层控制 动态环境
📋 核心要点
- 现有方法难以在动态环境中实现大规模多机器人系统的实时、无碰撞路径规划与控制。
- LF框架通过分层解耦规划与控制，利用MAPF快速生成全局路径，并由最优轨迹控制器独立执行。
- 实验验证了LF在多旋翼和地面机器人上的有效性，能够在动态环境中稳定运行15个机器人。
📝 摘要（中文）
本文提出了一种多机器人控制范式，用于解决具有完全环境信息的全向移动机器人的点到点导航任务。该框架以高频率异步调用两个过程：（i）一个集中的、离散的、全视野规划器，利用多智能体路径规划（MAPF）的最新进展，快速计算无碰撞和无死锁的路径；（ii）感知动力学的、机器人各自独立的最优轨迹控制器，确保所有机器人独立可靠地遵循其分配的路径。这种规划表示的分层转变，从（i）离散和耦合到（ii）连续和解耦的领域，使该框架能够保持长期可扩展的运动合成。作为该思想的一个实例，我们提出了LF，它结合了一个快速最先进的MAPF求解器（LaCAM）和一个强大的反馈控制堆栈（Freyja），用于执行敏捷的机器人动作。LF为终身多机器人导航提供了一种鲁棒和通用的机制，即使在异步和部分目标更新的情况下也能工作，并且可以通过快速重新规划来适应动态工作空间。我们展示了各种多旋翼和地面机器人演示，包括在一个人走过操作工作空间时，部署15个具有随机、连续目标更新的真实多旋翼。
🔬 方法详解
问题定义：多机器人路径规划与控制问题，目标是使多个机器人能够在已知环境中，从起点到达终点，同时避免碰撞和死锁。现有方法的痛点在于难以兼顾规划效率和控制精度，尤其是在大规模机器人系统和动态环境中。
核心思路：将路径规划和轨迹控制解耦，采用分层控制架构。上层使用快速的MAPF算法进行全局路径规划，下层使用最优轨迹控制器进行局部轨迹跟踪。这种解耦使得系统能够快速响应环境变化，并保证控制精度。
技术框架：LF框架包含两个主要模块：(1) 基于LaCAM的集中式MAPF规划器，负责生成无碰撞的离散路径；(2) 基于Freyja的分布式最优轨迹控制器，负责跟踪规划器生成的路径。这两个模块异步运行，规划器在高频率下进行重新规划，控制器则独立执行各自的轨迹。
关键创新：核心创新在于将集中式的全局路径规划与分布式的局部轨迹控制相结合。通过这种分层解耦的方式，LF框架能够兼顾规划效率和控制精度，并具有良好的可扩展性。此外，LF框架能够适应异步和部分目标更新，使其在动态环境中更加鲁棒。
关键设计：LaCAM是一种基于冲突搜索的MAPF算法，能够快速找到无碰撞路径。Freyja是一个反馈控制堆栈，能够保证机器人精确地跟踪规划器生成的路径。具体参数设置和损失函数等技术细节在论文中未明确给出，属于未知信息。
🖼️ 关键图片
📊 实验亮点
实验结果表明，LF框架能够在动态环境中稳定控制15个多旋翼机器人，并成功避开行人。该框架能够快速响应目标更新和环境变化，保证机器人安全高效地完成导航任务。具体的性能数据和对比基线在摘要中未明确给出，属于未知信息。
🎯 应用场景
该研究成果可应用于仓储物流、智能交通、搜救行动等领域。通过高效的路径规划和精确的轨迹控制，可以实现大规模机器人集群的协同作业，提高工作效率，降低安全风险。未来，该技术有望进一步扩展到更复杂的环境和任务中，例如无人机配送、自动驾驶等。
📄 摘要（原文）
We propose a multi-robot control paradigm to solve point-to-point navigation tasks for a team of holonomic robots with access to the full environment information. The framework invokes two processes asynchronously at high frequency: (i) a centralized, discrete, and full-horizon planner for computing collision- and deadlock-free paths rapidly, leveraging recent advances in multi-agent pathfinding (MAPF), and (ii) dynamics-aware, robot-wise optimal trajectory controllers that ensure all robots independently follow their assigned paths reliably. This hierarchical shift in planning representation from (i) discrete and coupled to (ii) continuous and decoupled domains enables the framework to maintain long-term scalable motion synthesis. As an instantiation of this idea, we present LF, which combines a fast state-of-the-art MAPF solver (LaCAM), and a robust feedback control stack (Freyja) for executing agile robot maneuvers. LF provides a robust and versatile mechanism for lifelong multi-robot navigation even under asynchronous and partial goal updates, and adapts to dynamic workspaces simply by quick replanning. We present various multirotor and ground robot demonstrations, including the deployment of 15 real multirotors with random, consecutive target updates while a person walks through the operational workspace.