Decoupled MPPI-Based Multi-Arm Motion Planning

📄 arXiv: 2602.10114v1 📥 PDF

作者: Dan Evron, Elias Goldsztejn, Ronen I. Brafman

分类: cs.RO

发布日期: 2026-02-10

💡 一句话要点

提出基于解耦MPPI的多臂机器人运动规划算法MR-STORM

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多臂机器人 运动规划 模型预测控制 分布式规划 动态障碍物

📋 核心要点

  1. 现有联合控制多臂机器人的运动规划算法扩展性差，难以应对复杂环境。
  2. 提出MR-STORM算法，通过解耦规划和动态优先级分配，实现多臂机器人的分布式运动规划。
  3. 实验表明，MR-STORM在静态和动态障碍物环境中均优于现有技术水平的算法。

📝 摘要（中文）

针对高自由度机械臂的基于采样的运动规划算法，利用GPU可以达到SOTA性能。这些算法可以用于联合控制多个机械臂，但这种方法扩展性较差。为了解决这个问题，本文扩展了基于采样的模型预测控制（MPC）运动规划算法STORM，以分布式方式处理多个机器人。首先，修改STORM以处理动态障碍物。然后，让每个机械臂计算自己的运动规划前缀，并与其他机械臂共享，其他机械臂将其视为动态障碍物。最后，添加动态优先级方案。新的算法MR-STORM在静态和动态障碍物环境中都表现出优于SOTA算法的经验优势。

🔬 方法详解

问题定义：论文旨在解决多臂机器人协同运动规划问题，尤其是在存在动态障碍物的情况下。现有方法，如直接将单臂运动规划算法扩展到多臂系统，面临计算复杂度高、扩展性差的挑战。当机械臂数量增加时，联合状态空间呈指数级增长，导致规划时间显著增加，难以满足实时性要求。

核心思路：论文的核心思路是将多臂运动规划问题解耦为多个单臂运动规划问题，每个机械臂独立进行局部规划，并将其他机械臂的运动轨迹视为动态障碍物。通过这种方式，降低了每个机械臂的规划复杂度，实现了分布式计算，提高了整体的规划效率和可扩展性。此外，引入动态优先级方案，解决机械臂间的潜在冲突。

技术框架：MR-STORM算法的整体框架如下：1) STORM算法扩展：首先，对STORM算法进行修改，使其能够处理动态障碍物。2) 解耦规划：每个机械臂使用修改后的STORM算法独立计算其运动规划前缀。3) 信息共享：每个机械臂将其规划的运动轨迹与其他机械臂共享。4) 动态障碍物处理：每个机械臂将其他机械臂的运动轨迹视为动态障碍物，并在规划过程中进行避障。5) 动态优先级：引入动态优先级方案，解决机械臂间的潜在冲突，优先级高的机械臂优先执行规划轨迹。

关键创新：MR-STORM算法的关键创新在于将多臂运动规划问题解耦为多个单臂运动规划问题，并通过信息共享和动态优先级方案实现协同。这种解耦的分布式规划方法显著降低了计算复杂度，提高了规划效率和可扩展性。与传统的联合规划方法相比，MR-STORM能够更好地应对复杂环境和大规模多臂系统。

关键设计：MR-STORM算法的关键设计包括：1) 动态障碍物表示：使用时间参数化的有界体积来表示动态障碍物，以便STORM算法能够有效地进行避障。2) 优先级分配策略：动态优先级分配策略根据机械臂的任务目标和当前环境状态动态调整优先级，以避免冲突并提高整体效率。具体的优先级分配策略细节未知。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，MR-STORM算法在静态和动态障碍物环境中均优于SOTA算法。具体性能数据未知，但摘要强调了MR-STORM在处理复杂环境时的优势。该算法通过解耦规划和动态优先级分配，显著提高了多臂机器人的运动规划效率和鲁棒性。

🎯 应用场景

该研究成果可应用于自动化装配线、物流仓储、医疗手术机器人等领域。在这些场景中，多个机械臂需要协同完成复杂的任务，例如装配汽车零部件、搬运货物、进行微创手术等。MR-STORM算法能够提高多臂机器人的运动规划效率和鲁棒性，从而提高生产效率、降低成本，并改善用户体验。未来，该算法有望进一步扩展到更多机器人协同任务中。

📄 摘要（原文）

Recent advances in sampling-based motion planning algorithms for high DOF arms leverage GPUs to provide SOTA performance. These algorithms can be used to control multiple arms jointly, but this approach scales poorly. To address this, we extend STORM, a sampling-based model-predictive-control (MPC) motion planning algorithm, to handle multiple robots in a distributed fashion. First, we modify STORM to handle dynamic obstacles. Then, we let each arm compute its own motion plan prefix, which it shares with the other arms, which treat it as a dynamic obstacle. Finally, we add a dynamic priority scheme. The new algorithm, MR-STORM, demonstrates clear empirical advantages over SOTA algorithms when operating with both static and dynamic obstacles.