基于受限贝叶斯优化和 STL 局部代价图学习的多机器人轨迹规划
机器人学
2026-03-09 v1
摘要
我们解决受信号时序逻辑(STL) 规范约束下的多机器人运动规划问题。精确方法面临规模瓶颈和适应性有限，而常规抽样方法需大量采样才能构建最优轨迹。我们提出了一个集成在线学习的抽样方法与形式 STL 推理的两阶段框架。在单机器人层面，我们的受限贝叶斯优化树搜索(cBOT)规划器使用高斯过程作为代理模型来学习局部代价图和可行性约束，生成更短的无碰撞轨迹并减少采样。在多机器人层面，我们的 STL 增强型 Kinodynamic 冲突基搜索(STL-KCBS)算法将 STL 监控集成到冲突检测和解决中，确保规范满足，同时保持可扩展性和概率完整性。基准测试表明，我们的方法在轨迹效率和安全性方面优于现有方法。真实世界实验使用自主表面车辆验证了在不确定环境下的鲁棒性和实际适用性。STLcBOT 规划器将作为开源软件包发布，真实世界和仿真实验视频已于 https://stlbot.github.io/ 公开。
引用
@article{arxiv.2603.05767,
title = {Multi-Robot Trajectory Planning via Constrained Bayesian Optimization and Local Cost Map Learning with STL-Based Conflict Resolution},
author = {Sourav Raxit and Abdullah Al Redwan Newaz and Jose Fuentes and Paulo Padrao and Ana Cavalcanti and Leonardo Bobadilla},
journal= {arXiv preprint arXiv:2603.05767},
year = {2026}
}
备注
Accepted to ICRA 2026