Connectivity Maintenance and Recovery for Multi-Robot Motion Planning

📄 arXiv: 2510.03504 📥 PDF

作者: Yutong Wang, Lishuo Pan, Yichun Qu, Tengxiang Wang, Nora Ayanian

分类: cs.RO

发布日期: 2026-07-20

💡 一句话要点

提出基于Bézier的运动规划算法以解决多机器人连通性维护问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 多机器人系统 运动规划 连通性维护 控制障碍函数 Bézier曲线 动态环境 仿真实验 物理实验

📋 核心要点

  1. 现有方法在复杂环境中维护多机器人连通性时常面临死锁问题，难以实现有效的运动规划。
  2. 本文提出的MPC--CLF--CBF算法结合了高阶控制障碍函数和控制Lyapunov函数，能够实时生成轨迹和控制输入。
  3. 在4至12个机器人的仿真实验中，该算法实现了95.8%至100%的连通时间，且在物理实验中验证了其有效性。

📝 摘要（中文）

连通性在多机器人应用中至关重要，但在障碍物丰富的环境中，维护连通性与车队可通行性之间的平衡仍然具有挑战性。基于控制障碍函数的反应控制器能够在初始连通时保持连通性，但在复杂环境中常常会遇到死锁问题。本文提出了一种实时的基于Bézier的约束运动规划算法MPC--CLF--CBF，能够在高阶控制障碍函数和控制Lyapunov函数约束下同时生成轨迹和控制输入。该规划器支持在复杂工作空间中的连通性感知导航，并能从初始不连通配置中恢复连通性，且在20%障碍密度下，保持了95.8%至100%的图连通时间，显著优于对比方法MPC--CBF的48.9%至61.3%。

🔬 方法详解

问题定义：本文旨在解决多机器人在障碍物丰富环境中维护连通性的问题。现有的基于控制障碍函数的方法在复杂环境中容易出现死锁，导致连通性无法保持。

核心思路：提出的MPC--CLF--CBF算法通过结合高阶控制障碍函数和控制Lyapunov函数，能够在动态环境中实时生成安全的运动轨迹和控制输入，从而有效维护机器人间的连通性。

技术框架：该算法的整体架构包括轨迹生成模块和控制输入模块，利用Bézier曲线进行平滑轨迹规划，同时确保满足连通性约束。

关键创新：最重要的创新在于引入了高阶控制障碍函数，使得算法能够在复杂环境中更好地应对障碍物，避免死锁现象，与传统方法相比具有显著优势。

关键设计：算法中采用了Bézier曲线进行轨迹生成，设置了适当的控制参数以确保轨迹的平滑性和连通性，同时提供了连续时间导数，便于在不同的动态系统中应用。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MPC--CLF--CBF算法在20%障碍密度下，保持了95.8%至100%的图连通时间，相较于对比方法MPC--CBF的48.9%至61.3%有显著提升，且在实验中未观察到碰撞，验证了算法的有效性和安全性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在无人机编队、自动驾驶车辆和工业机器人等领域。通过提高多机器人系统在复杂环境中的连通性和灵活性，能够显著提升其协作效率和任务完成能力，未来可能推动智能交通和自动化生产等领域的发展。

📄 摘要（原文）

Connectivity is crucial in many multi-robot applications, yet balancing connectivity maintenance and fleet traversability in obstacle-rich environments remains challenging. Reactive controllers based on control barrier functions can preserve connectivity when it is initially satisfied, but often struggle with deadlocks in cluttered environments. We propose a real-time Bézier-based constrained motion planning algorithm, namely MPC--CLF--CBF, that produces trajectories and control inputs concurrently, subject to high-order control barrier function and control Lyapunov function constraints. Our motion planner supports connectivity-aware navigation in cluttered workspaces and recovers connectivity from initially disconnected configurations and after temporary obstacle-induced separation; it also provides analytic continuous-time derivatives, facilitating its application to agile differentially flat systems such as quadrotors. In simulations with $4$--$12$ robots, it maintains $95.8$--$100\%$ graph-connected time at $20\%$ obstacle density, compared with $48.9$--$61.3\%$ for MPC--CBF, with no observed collisions. We further validate the planner in a physical experiment with $8$ Crazyflie nano-quadrotors.