MRBTP：高效多机器人行为树规划与协作
机器人学
2025-02-26 v1 人工智能
多智能体系统
摘要
多机器人任务规划与协作是机器人学中的关键挑战。虽然行为树（BT）已被确立为流行的控制架构且可对单个机器人进行规划，但由于协调不同动作空间的复杂性，开发有效的多机器人BT规划算法仍具有挑战性。我们提出了多机器人行为树规划（MRBTP）算法，具备soundness和completeness的理论保证。MRBTP通过跨树扩展（cross-tree expansion）来协调不同BT中异构动作，以实现团队目标。对于均质动作，我们保留BT之间的数据备份结构，以确保鲁棒性并通过意图共享防止冗余执行。虽然MRBTP能够为均质和异构机器人团队生成BT，但其效率可进一步提升。当可获得大型语言模型（LLM）时，我们提出MRBTP的可选插件，用于为每个机器人推理与目标相关的动作。这些相关动作可预先规划以形成长期子树，从而显著提升MRBTP的规划速度和协作效率。我们在仓库管理和日常服务场景中评估了该算法。结果表明，MRBTP在不同设置下的鲁棒性和执行效率均优异，预训练LLM能够为MRBTP生成有效的任务特定子树。
引用
@article{arxiv.2502.18072,
title = {MRBTP: Efficient Multi-Robot Behavior Tree Planning and Collaboration},
author = {Yishuai Cai and Xinglin Chen and Zhongxuan Cai and Yunxin Mao and Minglong Li and Wenjing Yang and Ji Wang},
journal= {arXiv preprint arXiv:2502.18072},
year = {2025}
}