AAAIDec, 2020

具有非线性动力学和有界干扰的可扩展和安全的多智能体运动规划

PDF
TL;DR我们提出了一种可扩展和有效的多智能体安全运动规划器，通过寻找每个智能体的分段线性路径，解决了丰富的障碍物、高维度、非线性、非完整动力学、执行限制和干扰等挑战，并通过解决混合整数线性规划问题，协调智能体的碰撞避免路径。
multi-agent safe motion plannerobstacle avoidancepiecewise linear pathspatial tracking errormixed integer-linear programs
发现论文，激发创造
  • 无人机安全多智能体运动规划中的不确定性下滤波强化学习

    我们提出一种可行的、基于强化学习和约束控制轨迹规划的无人机多智能体安全运动规划器，可以处理不确定的、杂乱的工作空间，并确保安全性、避免碰撞。该方法能够实时实施，相对于仅基于学习的方法，训练过程更简单，数值模拟和实验证明了该方法的有效性。

    Oct, 2023

  • 基于学习的多智能体系统运动规划中的 CART: 碰撞避免和鲁棒跟踪增强

    本文介绍了 CART，一种分析方法，旨在增强一个非线性多智能体系统的基于学习的分布式动态规划策略，独立于学习误差，具有实时的避碰和强鲁棒性保证，并正式推导出安全滤波器和强鲁棒滤波器的解析形式，证明了这些结果进一步扩展到使用收缩理论的一般控制仿形非线性系统。

    Jul, 2023

  • LaPlaSS: 随机系统的潜空间规划

    我们提出了一种 “生成 - 测试” 方法，用于在无已知动力学模型的自主移动代理中以有界风险进行规划，并使用变分自动编码器学习潜在线性动力学模型来生成候选轨迹。

    Apr, 2024

  • 基于运动基元的非高斯风险有界随机非线性系统不确定环境下的实时管道运动规划

    本文提出了一种适用于不确定环境下动态机器人避障的实时在线运动规划算法，通过将概率安全约束转化为风险轮廓的确定性约束，使用总和平方（SOS）编程验证管道的安全性，可保证系统状态与障碍碰撞的概率有限，该算法适用于多种长期任务。

    Mar, 2023

  • 深度强化学习中动态决策机构的运动规划

    本文介绍了一种基于深度强化学习和 LSTM 的算法，可以在不使用特定行为规则的情况下，学习各种类型的动态代理之间的避碰。通过仿真和在全自主机器人车辆上的实验，证明了该算法随着代理数量的增加能够更好地执行避碰，并且不需要使用 3D 激光雷达。

    May, 2018

  • 基于深度强化学习的分散式非通信多智能体避碰

    该研究提出了一种基于深度强化学习的分散式多智能体碰撞避免算法，该算法利用价值网络来实现高效（即可实时实施）的查询并考虑其他智能体的运动不确定性，与现有碰撞避免策略相比显示出更高的路径质量改进。

    Sep, 2016

  • 通过双层优化的去中心化非合作机器人社交导航

    本文提出了一种全面去中心化的方法，用于社交小游戏中的实时非合作多机器人导航，使用新的实时双层优化算法来规划基于优先顺序的最优轨迹，并证明了该算法的有效性。

    Jun, 2023

  • 通过利用在线生成的经验，加速多机器人操作的搜索规划

    通过利用冲突基础搜索算法的重复和增量特性，加速搜索算法的方法使其适用于多臂协调和复杂环境中的机器人操作，从而达到完整和有界的次优性保证。

    Mar, 2024

  • 基于深度强化学习的避障轨迹规划与鲁棒低层控制方法在机器人操纵器中的应用

    在机器人学中，我们提出了一种集成无障碍深度强化学习轨迹规划器和新颖的自适应低级和关节级控制策略的方法，通过与环境的交互来激活学习阶段，解决了学习基于模型的复杂性和稳定性和安全性之间的挑战。

    Feb, 2024

  • 容错离线多智能体路径规划

    本文研究了多智能体的新颖图路径规划问题，旨在通过离线规划解决智能体之间的碰撞和死锁问题，使得所有正确的智能体能够到达目的地，从而建立可靠的多机器人系统。

    Nov, 2022