基于 CVaR 约束的大规模机器人集群风险感知非贪婪运动规划器

集群机器人因其能够完成复杂且同步的任务而备受关注。现有的集群机器人系统运动规划方法主要在可扩展性和安全保障方面遇到困难。为解决这些局限性，我们提出了一种使用条件风险价值（conditional Value at Risk, CVaR）的风险感知集群运动规划器（ROVER），该系统能够在确保安全的同时，系统地引导大规模集群穿越杂乱环境。ROVER 构建了一个有限时域模型预测控制（FTMPC）问题，该问题基于由高斯混合模型（GMM）表示的机器人集群宏观状态，并整合了条件风险价值（CVaR）以确保避障。ROVER 的关键组件是在 FTMPC 中对集群 GMM 与障碍物之间的符号距离函数分布施加 CVaR 约束，以强制执行避障。利用本文推导出的 GMM 的 CVaR 解析表达式，我们开发了一种计算高效的解决方案，通过序列线性规划求解非线性约束 FTMPC。仿真结果及与代表性基准方法的比较证明了 ROVER 在灵活性、可扩展性和风险缓解方面的有效性。