Sharing the Load: Distributed Model-Predictive Control for Precise Multi-Rover Cargo Transport

📄 arXiv: 2510.18766v1 📥 PDF

作者: Alexander Krawciw, Sven Lilge, Luka Antonyshyn, Timothy D. Barfoot

分类: cs.RO

发布日期: 2025-10-21

备注: 8 pages, 4 figures

💡 一句话要点

提出一种分布式模型预测控制方法，用于多机器人协同精确货物运输。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 分布式模型预测控制 多机器人协同 货物运输 路径跟踪 相对定位

📋 核心要点

  1. 多机器人协同运输货物比单一大机器人更灵活，但需要精确控制车辆间距和路径跟踪。
  2. 提出一种分布式模型预测控制（MPC）方法，利用共享地图实现机器人间的相对定位，无需GNSS。
  3. 实验表明，该方法在保持车辆间距方面表现出色，在各种条件下误差均在20厘米以内。

📝 摘要（中文）

本文提出了一种用于多机器人货物运输的分布式模型预测控制器（MPC），该控制器基于激光雷达示教和重复的精确路径跟踪。为运输货物，跟随车辆必须保持与引导车辆的欧几里得距离偏移，且不受路径曲率影响。该方法使用共享地图来定位机器人之间的相对位置，无需GNSS或直接观测。与集中式MPC和直接测量车辆间距离的基线方法相比，分布式MPC表现出与集中式MPC相当的标称性能。直接测量相对距离的方法在近距离场景中表现出更好的跟踪性能，但在远距离偏移时效果不佳。分布式计算提供的操作灵活性使其非常适合实际部署。通过超过10公里的耦合编队驾驶，评估了四种类型的编队路径跟踪器。在两个和三个机器人的编队中，所提出的分布式MPC方法能够实时工作，从而允许基于地图的编队在各种条件下将最大间距保持在目标值的20厘米以内。

🔬 方法详解

问题定义：现有方法在多机器人协同货物运输中，难以同时保证精确的车辆间距和路径跟踪，尤其是在缺乏GNSS或直接观测的情况下。集中式MPC计算复杂度高，不适用于大规模机器人编队。直接测量车辆间距离的方法在远距离偏移时性能下降。

核心思路：采用分布式MPC，每个机器人只负责自身的控制，降低计算复杂度。利用共享地图进行相对定位，避免对GNSS的依赖。通过优化控制策略，使跟随车辆能够保持与引导车辆的期望距离，并精确跟踪路径。

技术框架：该方法包含以下主要模块：1) 激光雷达示教和重复路径跟踪模块，用于生成参考路径；2) 共享地图模块，用于机器人间的相对定位；3) 分布式MPC模块，每个机器人根据自身状态和邻居信息进行控制决策；4) 车辆运动控制模块，执行MPC的控制指令。

关键创新：该方法的核心创新在于将分布式MPC应用于多机器人协同货物运输，并利用共享地图实现相对定位，从而在保证控制精度的同时，降低了计算复杂度，提高了系统的鲁棒性。

关键设计：分布式MPC的关键设计包括：1) 状态空间模型的构建，需要考虑车辆的运动学和动力学特性；2) 目标函数的选择，需要同时优化路径跟踪误差和车辆间距误差；3) 约束条件的设计，需要考虑车辆的运动范围和安全距离；4) 通信协议的设计，需要保证机器人间的信息共享。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的分布式MPC方法能够实时工作，在各种条件下将车辆间距保持在目标值的20厘米以内。与集中式MPC相比，分布式MPC具有相当的标称性能，但计算复杂度更低。与直接测量车辆间距离的方法相比，分布式MPC在远距离偏移时表现出更好的鲁棒性。

🎯 应用场景

该研究成果可应用于仓储物流、农业机器人、矿山运输等领域，实现多机器人协同完成货物运输任务。通过提高运输效率和精度，降低运营成本，并减少对人工的依赖。未来可进一步扩展到更复杂的环境和任务中，例如灾害救援、环境监测等。

📄 摘要（原文）

For autonomous cargo transportation, teams of mobile robots can provide more operational flexibility than a single large robot. In these scenarios, precision in both inter-vehicle distance and path tracking is key. With this motivation, we develop a distributed model-predictive controller (MPC) for multi-vehicle cargo operations that builds on the precise path-tracking of lidar teach and repeat. To carry cargo, a following vehicle must maintain a Euclidean distance offset from a lead vehicle regardless of the path curvature. Our approach uses a shared map to localize the robots relative to each other without GNSS or direct observations. We compare our approach to a centralized MPC and a baseline approach that directly measures the inter-vehicle distance. The distributed MPC shows equivalent nominal performance to the more complex centralized MPC. Using a direct measurement of the relative distance between the leader and follower shows improved tracking performance in close-range scenarios but struggles with long-range offsets. The operational flexibility provided by distributing the computation makes it well suited for real deployments. We evaluate four types of convoyed path trackers with over 10 km of driving in a coupled convoy. With convoys of two and three rovers, the proposed distributed MPC method works in real-time to allow map-based convoying to maintain maximum spacing within 20 cm of the target in various conditions.