DD-GBP: Anytime Multi-Arm Planning and Continuous Execution via Distributed Dynamic Gaussian Belief Propagation

📄 arXiv: 2610.20460v1 📥 PDF

作者: Zhao Jin, Fengyi Dai, Yuetong Yin, Yunan Wang, Wenjie Chen, Chuxiong Hu

分类: cs.RO

发布日期: 2026-10-14

备注: 18 pages,9 figures

💡 一句话要点

提出DD-GBP以解决动态环境中的多臂任务规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 动态环境 多臂规划 高斯信念传播 实时推理 机器人协作 鲁棒性 自动化

📋 核心要点

  1. 在复杂动态环境中，现有方法在长时间多臂任务的安全执行上面临显著挑战，尤其是在移动障碍物的情况下。
  2. 本文提出的DD-GBP方法通过分布式动态高斯信念传播实现了并行局部推理，能够有效规划关节空间轨迹并适应动态环境。
  3. 实验结果表明，DD-GBP在50个长时间场景中实现了92.5%的成功率，并在高通信损失情况下仍保持86.0%的成功率，显示出其鲁棒性。

📝 摘要（中文）

在复杂动态环境中，安全地在线执行长时间多臂任务仍然具有挑战性。本文提出了一种新的分布式动态高斯信念传播（DD-GBP）方法，通过并行局部推理直接规划关节空间轨迹。统一的高斯过程参数化连接了自适应规划时间范围、插值时间因子和连续执行。每个机器人维护一个局部树状因子图，并通过活跃的臂间链接异步交换消息。动态子网重构和事件触发更新减少了通信和推理成本，同时响应移动障碍物。我们还提供了局部推理准确性、随时早停、触发重规划一致性和高斯过程一致执行的理论分析。在50个长时间、多目标的四臂场景中，DD-GBP实现了92.5%的无碰撞全目标完成率，并在六个代表性基线中取得了最高成功率。

🔬 方法详解

问题定义：本文旨在解决在复杂动态环境中安全执行长时间多臂任务的难题。现有方法在处理移动障碍物时，往往面临通信和推理成本高、实时性不足等痛点。

核心思路：DD-GBP方法通过分布式动态高斯信念传播实现局部推理，结合自适应规划时间和连续执行，能够有效应对动态环境中的变化。

技术框架：该方法的整体架构包括局部树状因子图的维护、异步消息交换、动态子网重构和事件触发更新等模块，确保了高效的通信和推理。

关键创新：DD-GBP的主要创新在于其分布式推理机制和动态子网重构策略，显著降低了通信成本并提高了实时响应能力，与现有方法相比具有本质区别。

关键设计：在设计中，采用了统一的高斯过程参数化，设置了适应性的规划时间范围和插值时间因子，确保了在动态环境中的高效执行。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DD-GBP在50个长时间场景中实现了92.5%的无碰撞全目标完成率，且在90%的数据包丢失情况下仍保持86.0%的成功率。此外，执行速度达到每秒超过60次，显示出优越的可扩展性。

🎯 应用场景

该研究的潜在应用领域包括自动化仓储、无人机编队、智能制造等多臂协作任务。其高效的动态响应能力和鲁棒性使得在复杂环境中执行多臂任务成为可能，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Safely executing long-horizon multi-arm tasks online in complex dynamic environments remains challenging. We propose a new distributed dynamic Gaussian belief propagation (DD-GBP) method that directly plans joint-space trajectories through parallel local inference. A unified Gaussian-process (GP) parameterization connects adaptive planning horizons, interpolation-time factors, and continuous execution. Each robot maintains a local tree-structured factor graph and exchanges messages asynchronously over active inter-arm links. Dynamic subnet reconstruction and event-triggered updates reduce communication and inference costs while responding to moving obstacles. We also provide theoretical analyses of local inference accuracy, anytime early stopping, triggered-replanning consistency, and GP-consistent execution. In 50 long-horizon, multi-target four-arm scenes with moving obstacles, DD-GBP achieves $92.5\%$ collision-free all-target completion and the highest success rate among six representative baselines. Scenario ablations demonstrate long-horizon safety and robustness to communication impairment and extreme conditions; success remains $86.0\%$ under $90\%$ packet loss. Execution results further show substantially suppressed extreme velocity and acceleration peaks relative to Syn-GBP. On one workstation, obstacle-free tests with 30 coexisting arms retain $99.87\%$ success and a $15.80$ ms mean warm solve, exceeding 60 Hz and outperforming the compared methods in scalability. Dual-arm transport experiments under dynamic interference demonstrate online response and practical deployability. To the best of our knowledge, these results establish a new state of the art for online long-horizon multi-arm planning in dynamic scenes.