GLAS：面向多机器人运动规划端到端学习的全局到局部安全自治综合
机器人学
2020-06-30 v3
摘要
我们提出 GLAS：全局到局部自治综合（Global-to-Local Autonomy Synthesis），一种用于多机器人运动规划的可证明安全的自动化分布式策略生成方法。我们的方法结合了集中式规划避免局部极小值的优势与分散式控制器可扩展性和分布式计算的优势。具体而言，我们综合的策略仅需要邻近邻居和障碍物的相对状态信息，并计算可证明安全的动作。我们的方法包含三个主要组成部分：i）我们使用全局规划器生成示范轨迹并从中提取局部观测；ii）我们使用深度模仿学习来学习可在线高效运行的分散式策略；iii）我们引入一种新颖的可微分安全模块以确保无碰撞运行，从而允许端到端策略训练。我们的数值实验表明，在广泛的机器人和障碍物密度范围内，我们的策略比最优互惠碰撞避免（ORCA）的成功率高 20%。我们在空中集群上演示了我们的方法，在低端微控制器上实时执行该策略。
引用
@article{arxiv.2002.11807,
title = {GLAS: Global-to-Local Safe Autonomy Synthesis for Multi-Robot Motion Planning with End-to-End Learning},
author = {Benjamin Rivière and Wolfgang Hoenig and Yisong Yue and Soon-Jo Chung},
journal= {arXiv preprint arXiv:2002.11807},
year = {2020}
}
备注
Accepted at IEEE RA-L, see DOI below