Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning

Riepilogo Tecnico: Pianificazione con Reti Neurali su Grafi e Controllo Predittivo per la Pianificazione di Movimenti Non Etichettati in Sistemi Multi-Robot con Vincoli di Comunicazione

Formulazione del Problema
Il lavoro affronta il problema della pianificazione di movimenti non etichettati per sistemi multi-robot omogenei. In questo contesto, $N$ robot intercambiabili devono raggiungere cooperativamente un insieme di $N$ obiettivi senza accoppiamenti preassegnati. L'obiettivo è minimizzare il tempo totale di percorrenza e la distanza, garantendo al contempo l'evitamento delle collisioni. Il problema è formulato come un compito congiunto di assegnazione e pianificazione di traiettorie, che è PSPACE-difficile.

Gli autori identificano lacune critiche negli approcci esistenti basati su Reti Neurali su Grafi (GNN) per questo problema:

1. Dinamiche Semplificate: I metodi GNN precedenti spesso si basano su dinamiche semplificate nella simulazione e prevedono direttamente comandi di velocità, non tenendo conto delle dinamiche non lineari reali e dei limiti di attuazione.
2. Garanzie di Sicurezza: L'evitamento delle collisioni è frequentemente trattato come un vincolo morbido o un filtro a posteriori, il che non garantisce la sicurezza sotto i limiti di attuazione.
3. Vincoli di Comunicazione: Le architetture GNN esistenti richiedono spesso comunicazioni multi-hop (4–5 livelli), rendendole vulnerabili a ritardi e perdite di comunicazione nel mondo reale.
4. Deploy: La maggior parte dei metodi basati sull'apprendimento si affida a un'inferenza centralizzata e off-board piuttosto che a un'esecuzione decentralizzata e on-board.

Metodologia: Framework Gerarchico GATP-NMPC
Gli autori propongono un framework gerarchico (Figura 1) che disaccoppia la pianificazione di alto livello dal controllo di basso livello, integrando un Pianificatore con Attenzione su Grafo (GATP) con un Controllore Predittivo Non Lineare Decentralizzato (NMPC).

1. Pianificazione di Alto Livello (GATP):

   • Architettura: Il pianificatore utilizza una Rete con Attenzione su Grafo (GAT) con soli 2 livelli di passaggio di messaggi. Ogni robot comunica solo con i suoi $M$ vicini più prossimi (ad esempio, $M=2$).
   • Meccanismo: La GNN elabora osservazioni locali (posizioni relative dei $P_g$ obiettivi più vicini e dei $P_r$ robot più vicini) per prevedere sub-obiettivi intermedi ($s_i$) piuttosto che comandi di velocità diretti.
   • Scelte Progettuali: L'architettura impiega Perceptron Multistrato (MLP) per fondere gli embedding iniziali dei nodi con le informazioni aggregate dai vicini. Questa "funzione di aggiornamento" ($f_1$) preserva l'invarianza alla permutazione e migliora la differenziazione dei nodi. L'output è scalato a un orizzonte spaziale $S_p$ (ad esempio, 4m) basato su un orizzonte temporale desiderato $T_p$ e sulla velocità massima $v_{max}$.
   • Addestramento: Il GATP viene addestrato tramite apprendimento per imitazione utilizzando un esperto centralizzato (Algoritmo Ungherese) per generare sub-obiettivi ottimali. Viene utilizzato uno schema di campionamento schedulato per sostituire gradualmente i sub-obiettivi dell'esperto con le previsioni del GATP durante l'addestramento.

2. Controllo di Basso Livello (NMPC):

   • Esecuzione: Ogni robot esegue un NMPC decentralizzato per tracciare il sub-obiettivo fornito dal GATP.
   • Vincoli: L'NMPC risolve un problema di ottimizzazione non lineare su un orizzonte di previsione $T_c$ per generare ingressi di controllo. Impone esplicitamente:
     • Dinamiche Non Lineari: Le dinamiche dei quadricotteri sono modellate come sistemi affini nel controllo.
     • Sicurezza: Vincoli di sicurezza rigidi sono imposti utilizzando Funzioni di Barriera di Controllo Esponenziali (ECBF) per mantenere una distanza di sicurezza $d_{safe}$ tra i robot.
     • Limiti di Attuazione: I vincoli di spinta dei motori sono rispettati.
   • Integrazione: Il GATP aggiorna continuamente la traiettoria di riferimento dell'NMPC in base alle posizioni evolutive dei robot, permettendo una ripianificazione a bassa frequenza (ad esempio, 1–2 Hz) mentre l'NMPC opera ad alta frequenza (ad esempio, 100–160 Hz).

Contributi Chiave

• Framework Gerarchico: Una nuova integrazione di un pianificatore basato su GNN con un NMPC garantito per la sicurezza, che consente l'applicazione di metodi basati sull'apprendimento a sistemi reali con dinamiche non lineari e vincoli di attuazione.
• Architettura GNN Robusta: Una Rete con Attenzione su Grafo a 2 livelli che richiede comunicazioni minime (1-hop, $M=2$ vicini). Gli autori dimostrano che questa architettura superficiale migliora la robustezza ai ritardi di comunicazione rispetto alle GNN più profonde utilizzate in lavori precedenti.
• Deploy nel Mondo Reale: La prima validazione di un pianificatore di movimenti non etichettati basato su GNN in un contesto di inferenza completamente decentralizzata e on-board su quadricotteri fisici.
• Ablazione e Benchmarking: Uno studio comparativo che mostra come l'architettura GATP proposta (con specifiche funzioni di aggiornamento) superi le Reti di Convoluzione su Grafo (GCN) standard e le strategie di aggiornamento alternative in termini di prestazioni di copertura e generalizzazione a dimensioni di squadra più grandi.

Risultati Sperimentali

• Simulazione (10 Quadricotteri):
  • Prestazioni di Copertura: Il GATP ha raggiunto una copertura paragonabile alla GCN (94,55% contro il 95,00% in 40s per 10 robot) ma ha dimostrato una generalizzazione superiore a squadre più grandi (fino a 50 robot). Il GATP ha mostrato un calo di prestazioni inferiore (23,5%) rispetto alla GCN (34,5%) all'aumentare della dimensione della squadra, attribuito alla capacità del meccanismo di attenzione di pesare dinamicamente l'importanza dei vicini.
  • Ritardi di Comunicazione: Il sistema è stato testato con ritardi di comunicazione simulati fino a 0,6s. Il framework è rimasto robusto a ritardi fino a 200 ms (ritardo totale $D=0,2$s), con un aumento di circa 3,8–5,5% del tempo di copertura. Le prestazioni sono degradate significativamente solo quando i ritardi si avvicinavano all'intervallo di aggiornamento della pianificazione (0,5s).
• Esperimenti nel Mondo Reale (4 Quadricotteri):
  • Deploy: Il sistema è stato implementato su quadricotteri personalizzati con processori Qualcomm VOXL 2 in un banco di prova interno.
  • Compiti: Ha eseguito con successo compiti di formazione circolare e copertura di zone, nonché l'evitamento dinamico di ostacoli, dove il pianificatore ha riassegnato gli obiettivi per evitare collisioni.
  • Latenza: Il tempo di inferenza del GATP è stato di circa 1 ms (esclusa la comunicazione). Il ritardo medio di comunicazione per livello è stato di 26 ms, risultando in un tempo totale di pianificazione per robot compreso tra 51 ms e 134 ms. Ciò conferma che il sistema opera entro l'intervallo di ritardo robusto identificato nella simulazione.

Significato e Affermazioni
Il lavoro afferma che questa ricerca colma il divario tra la pianificazione multi-robot scalabile basata sull'apprendimento e i rigorosi requisiti di sicurezza del deploy nel mondo reale. Combinando una GNN efficiente nelle comunicazioni con un NMPC consapevole dei vincoli, gli autori dimostrano che:

1. Sicurezza e Fattibilità: È possibile utilizzare le GNN per il coordinamento di alto livello garantendo al contempo sicurezza e fattibilità dinamica attraverso l'NMPC.
2. Scalabilità e Robustezza: Un'architettura GNN superficiale basata sull'attenzione offre una migliore generalizzazione a squadre più grandi e una maggiore robustezza ai ritardi di comunicazione rispetto alle architetture multi-hop più profonde.
3. Fattibilità Pratica: L'inferenza decentralizzata e on-board è fattibile per sistemi multi-robot, come dimostrato dagli esperimenti riusciti nel mondo reale con quadricotteri.

Gli autori concludono modestamente che, sebbene il loro design attuale gestisca bene i ritardi limitati, i lavori futuri indagheranno condizioni di comunicazione asincrona più realistiche e un accoppiamento più stretto tra pianificazione e controllo durante il processo di addestramento.