基于双层优化的非合作机器人分散式社会导航

本文提出一种完全分散的方法，用于社会小游戏中的实时非合作多机器人导航，例如通过狭窄门道或在走廊交叉口协商通行权。我们的贡献是一种新的实时双层优化算法，其中顶层优化包括计算公平且无碰撞的排序，随后底层优化在该排序条件下规划最优轨迹。我们表明，给定这样的优先级顺序，我们可以对每台机器人施加简单的运动动力学约束，足以使其规划无碰撞轨迹且相对于偏好速度偏差最小，类似于人类在这些场景中的导航方式。我们使用 F$1/10$ 机器人、Clearpath Jackal 和 Boston Dynamics Spot 在真实世界中，以及使用 SocialGym 2.0 多智能体社会导航模拟器在仿真中，于门道与走廊交叉口场景成功部署了所提算法。我们与基于多智能体强化学习、碰撞避免算法和人群模拟模型的 SOTA 社会导航方法进行比较。我们表明：$(i)$ 经典导航比 SOTA 基于学习的社会导航算法性能好 $44\%$；$(ii)$ 若无调度协议，我们的方法在社会小游戏中会导致碰撞；$(iii)$ 我们的方法在门道与交叉口中产生的速度变化分别比 CADRL 少 $2\times$ 和 $5\times$；最后 $(iv)$ 门道中流速为 $2.8 - 3.3$ (ms)$^{-1}$ 的双层导航与人类导航流速 $4$ (ms)$^{-1}$ 相当。