Model Predictive Fuzzy Control: A Hierarchical Multi-Agent Control Architecture for Outdoor Search-and-Rescue Robots

📄 arXiv: 2505.03257v1 📥 PDF

作者: Craig Maxwell, Mirko Baglioni, Anahita Jamshidnejad

分类: eess.SY, cs.RO

发布日期: 2025-05-06

💡 一句话要点

提出模型预测模糊控制(MPFC)架构，用于多机器人户外搜索救援任务。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 模糊逻辑控制 多机器人系统 搜索救援 分层控制 自主导航 任务规划

📋 核心要点

  1. 现有搜索救援机器人自主任务规划方法在计算效率和全局优化方面存在挑战，难以兼顾。
  2. MPFC架构通过分层控制，利用FLC的计算效率和MPC的全局优化能力，实现高效的任务规划。
  3. 仿真结果表明，MPFC在计算效率上与分散式FLC相当，性能接近集中式MPC，但计算资源需求更低。

📝 摘要（中文）

本文提出了一种新颖的集成式分层控制架构，称为模型预测模糊控制(MPFC)，用于多机器人搜索救援(SaR)系统的自主任务规划，旨在高效地绘制未知环境地图。MPFC结合了模型预测控制(MPC)和模糊逻辑控制(FLC)，其中机器人由计算高效的FLC控制器进行局部控制，这些局部控制器的参数通过集中式MPC控制器以规则或事件触发的方式进行调整。该架构具有三个主要优点：(1)控制决策由FLC控制器做出，因此实时计算时间是可以承受的。(2)集中式MPC控制器利用系统动力学的全局和预测视野优化性能指标，并相应地更新FLC控制器的参数。(3)FLC控制器本质上是启发式的，因此不考虑决策的最优性，而通过MPC控制器调整的参数可以间接地将一定程度的最优性纳入机器人的局部决策中。在MATLAB中设计了一个基于离散二维网格模型的灾难环境受害者检测仿真环境。结果表明，与分散式FLC控制器相比，集成的MPFC架构在计算效率相当的情况下，提高了多机器人SaR系统的性能。此外，MPFC的性能与集中式MPC在SaR机器人路径规划中的性能相当，但MPFC需要的计算资源明显更少，因为控制问题中的优化变量数量减少了。

🔬 方法详解

问题定义：论文旨在解决多机器人搜索救援(SaR)任务中，如何在未知环境中进行高效自主任务规划的问题。现有方法，如分散式模糊逻辑控制(FLC)，计算效率高但缺乏全局优化；集中式模型预测控制(MPC)，全局优化能力强但计算复杂度高，难以实时应用。

核心思路：论文的核心思路是结合FLC和MPC的优点，构建一种分层控制架构。底层使用FLC进行局部控制，保证计算效率；上层使用MPC对FLC的参数进行优化，实现全局性能的提升。通过这种分层结构，在保证实时性的前提下，尽可能地提高搜索效率。

技术框架：MPFC架构包含两个主要层级：底层是多个FLC控制器，每个机器人配备一个，负责根据局部环境信息做出控制决策；上层是集中式的MPC控制器，负责根据全局环境信息和系统动力学模型，优化FLC控制器的参数。MPC控制器定期或在特定事件触发时更新FLC控制器的参数。

关键创新：MPFC的关键创新在于将MPC和FLC集成到一个分层控制架构中。这种架构既利用了FLC的计算效率，又利用了MPC的全局优化能力。与传统的集中式MPC相比，MPFC大大降低了计算复杂度；与分散式FLC相比，MPFC能够实现更好的全局性能。

关键设计：MPC控制器需要定义优化目标和约束条件。优化目标通常是最小化搜索时间或最大化搜索区域覆盖率。约束条件包括机器人的运动学和动力学约束，以及环境约束（如避障）。FLC控制器的参数化方式以及MPC如何更新这些参数是关键的设计细节。论文中具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真实验表明，MPFC架构在计算效率上与分散式FLC控制器相当，同时在搜索性能上接近集中式MPC控制器。这意味着MPFC能够在保证实时性的前提下，实现接近最优的搜索效果。具体性能提升数据未知，但论文强调MPFC在计算资源需求上显著低于集中式MPC。

🎯 应用场景

该研究成果可应用于各种需要多智能体协同的搜索救援场景，例如地震、火灾等灾害环境中的幸存者搜寻，以及大型场馆或复杂地形中的目标搜索。该方法能够提高搜索效率，降低救援风险，具有重要的实际应用价值。未来可扩展到其他多智能体协作任务，如环境监测、资源勘探等。

📄 摘要（原文）

Autonomous robots deployed in unknown search-and-rescue (SaR) environments can significantly improve the efficiency of the mission by assisting in fast localisation and rescue of the trapped victims. We propose a novel integrated hierarchical control architecture, called model predictive fuzzy control (MPFC), for autonomous mission planning of multi-robot SaR systems that should efficiently map an unknown environment: We combine model predictive control (MPC) and fuzzy logic control (FLC), where the robots are locally controlled by computationally efficient FLC controllers, and the parameters of these local controllers are tuned via a centralised MPC controller, in a regular or event-triggered manner. The proposed architecture provides three main advantages: (1) The control decisions are made by the FLC controllers, thus the real-time computation time is affordable. (2) The centralised MPC controller optimises the performance criteria with a global and predictive vision of the system dynamics, and updates the parameters of the FLC controllers accordingly. (3) FLC controllers are heuristic by nature and thus do not take into account optimality in their decisions, while the tuned parameters via the MPC controller can indirectly incorporate some level of optimality in local decisions of the robots. A simulation environment for victim detection in a disaster environment was designed in MATLAB using discrete, 2-D grid-based models. While being comparable from the point of computational efficiency, the integrated MPFC architecture improves the performance of the multi-robot SaR system compared to decentralised FLC controllers. Moreover, the performance of MPFC is comparable to the performance of centralised MPC for path planning of SaR robots, whereas MPFC requires significantly less computational resources, since the number of the optimisation variables in the control problem are reduced.