SwarmPRM：面向大规模集群机器人系统的概率路图运动规划

由众多协作智能体组成的大规模集群机器人系统在跨领域执行自主任务方面展现出巨大前景。然而，由于机器人联合状态空间的指数级增长，传统的运动规划方法往往在可扩展性与解的质量之间面临权衡。为此，本文提出了 SwarmPRM，一种面向大规模集群机器人的分层、可扩展、计算高效且具备风险意识的基于采样的运动规划方法。SwarmPRM 利用高斯混合模型（GMM）来表示集群的宏观状态，并在高斯空间中构建概率路图（称为高斯路图），以生成 GMM 的传输轨迹。随后，每个机器人在微观阶段遵循该轨迹。为了增强轨迹安全性，SwarmPRM 在碰撞检查过程中引入了条件风险价值（CVaR），赋予所构建的高斯路图风险感知属性。接着，SwarmPRM 构建了一个线性规划公式，以在该路图内计算最优的 GMM 传输轨迹。大量仿真表明，SwarmPRM 在计算效率、可扩展性和轨迹质量方面优于最先进的方法，同时提供了调整生成轨迹风险容忍度的能力。