NeHMO：用于去中心化安全多智能体运动规划的神经 Hamilton-Jacobi 可达性学习
机器人学
2025-07-21 v1
摘要
安全的多智能体运动规划（MAMP）是机器人领域的一项重大挑战。尽管取得了实质性进展，但现有方法常常面临困境。去中心化算法通常依赖于预测其他智能体的行为、共享契约或维持通信来保证安全，而集中式方法则在可扩展性和实时决策方面存在困难。为了应对这些挑战，我们引入了用于去中心化多智能体运动规划的神经 Hamilton-Jacobi 可达性学习（HJR）。我们的方法提供了可扩展的神经 HJR 建模，以解决高维配置空间问题并捕捉智能体之间最坏情况的碰撞和安全约束。我们进一步提出了一个去中心化轨迹优化框架，该框架结合了学习到的 HJR 解决方案，以实时求解 MAMP 任务。我们证明我们的方法具有可扩展性和数据高效性，能够在具有复杂碰撞约束的高维场景中解决 MAMP 问题。我们的方法可推广到各种动力系统，包括 12 维双臂设置，并在成功应对具有挑战性的 MAMP 任务方面优于一系列最先进的技术。视频演示可在 https://youtu.be/IZiePX0p1Mc 获取。
引用
@article{arxiv.2507.13940,
title = {NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Agent Motion Planning},
author = {Qingyi Chen and Ahmed H. Qureshi},
journal= {arXiv preprint arXiv:2507.13940},
year = {2025}
}