在现代机器人技术的繁忙世界中，一个持久的挑战长期以来一直阻碍着机器并肩工作的潜力。虽然单个机械臂可以被编程为进行精确运动，但在同一个狭窄空间内协调多个机械臂则是完全不同的故事。当多个机械臂在共享工作空间内运行时，它们必须在试图达到各自目标的同时，不断避免相互碰撞。传统方法通常依赖中央计算机来为每一个机械臂同时计算完美路径，随着机器人数量的增加，这个过程在计算上会变得难以承受。其他方法则让每个机器人独立规划自己的路径，但这往往会导致混乱，即两个机械臂因为无法就谁该先移动达成一致，而陷入无休止的犹豫或发生碰撞。运动规划领域正寻求通过创建既能快速响应突发变化，又能无需中央指令即可智能协商空间的系统来解决这一问题。
内盖夫本-古里安大学的研究人员开发了一种名为 MR-STORM 的新系统来应对这一协调问题。他们的方法允许多个机械臂通过分享各自的近期计划，而不是等待中央指令，从而在拥挤、动态的环境中协同工作。该系统并非由一台计算机为整个机器人团队计算每一次动作，而是让每个机械臂利用自身的强大处理器，在极短的时间内生成数千种可能的运动路径。随后，这些机械臂会将预定的路径广播给邻近的机械臂。通过了解邻居即将前往何处，机械臂可以在碰撞发生前调整自己的轨迹以避开冲突。为了防止机器人陷入相互犹豫的循环，系统使用了一条简单的规则：距离目标更近的机械臂优先向前移动，而另一方则让路。这创造了一种流动的、去中心化的运动之舞，在没有中央协调员的情况下维持了安全与效率。
研究人员在一个模拟环境中测试了该系统，使用了四个各具六个关节的机械臂，在面积为一平方米的空间内工作。他们创建了各种具有挑战性的场景，包括机械臂需要抓取目标、跟随移动物体以及将物品装入料箱，同时还要绕过静态障碍物和其他机械臂。在这些测试中，这种新系统优于依赖中央规划或独立决策的现有方法。随着复杂度的增加，中央规划方法往往无法找到解决方案，导致机器人停滞不前或移动过慢而失去实用价值。独立决策方法虽然速度更快，但由于机器人无法预测彼此的动作，导致频繁发生碰撞。然而，MR-STORM 系统成功平衡了速度与安全性，使机械臂能够在避免接触的同时高效完成任务。在工作空间密度极高的最困难场景下，该系统仍保持了很高的成功率且极少发生碰撞，证明了通过分享计划和使用优先级规则可以有效解决冲突。
为了确保研究结果不仅仅是计算机模拟的产物，团队将该系统部署在一个配备有两个七关节机械臂的人形机器人上。他们编写程序让机器人按照网格模式在不同站点之间移动物体，这项任务要求机械臂在受限空间内频繁交叉路径。在十次每次持续一百秒的试验中，机器人成功地放置了物品，误差极小且没有发生任何显著碰撞。记录到的唯一接触是手指尖的一次轻微触碰，这很可能是由于为了安全检查而对机器人的身体进行了简化建模所致。这次实物测试证实，该系统可以将从数字模拟到物理硬件的迁移，保持其在杂乱、不可预测的环境中协调多个肢体的能力。
研究表明，这种去中心化的方法为未来的机器人系统提供了一种可扩展的解决方案，特别是在多个机械臂必须近距离工作的工业环境中。通过利用现代显卡的并行处理能力，该系统可以同时生成并评估数千条潜在路径，从而实现对变化条件的快速反应。研究人员发现，成功的关键不仅在于计算路径，还在于机器人如何沟通意图并通过动态优先级系统解决冲突。尽管该系统目前依赖于较短的通信延迟，并假设障碍物相对可预测，但结果表明，这在实现多臂操作的安全与高效方面迈出了重要一步。这项工作表明，通过赋予每个机器人“发言权”并设定简单的让路规则，一组机器可以实现此前难以达到的协调水平，为更复杂、更具协作性的机器人劳动力铺平了道路。
技术摘要：MR-STORM：基于分布式 MPC 的可扩展多臂控制
问题陈述
本文解决了在不确定、动态且拥挤的共享工作空间中，多个高自由度（DoF）机械臂进行运动生成的挑战。虽然集中式运动规划在理论上可以保证最优性，但由于关节配置空间的指数级增长以及解决机器人间约束的计算负担，它难以实现规模化扩展。相反，现有的去中心化方法通常依赖于静态障碍物假设，或者缺乏在多个机械臂竞争同一空间时解决死锁（deadlock）和活跃锁（livelock，即持续振荡）的机制。具体而言，作者指出，最先进的单臂反应式规划器（如 STORM）在多臂设置中表现不佳，因为它们将其他机器人视为静态障碍物，而非具有预测轨迹的动态智能体，这导致在密集环境中碰撞频率极高。
方法论：MR-STORM
作者提出了 MR-STORM，这是一个分布式模型预测控制（MPC）框架，它将基于采样的 STORM 算法扩展到了多臂协调领域。该系统运行在去中心化架构上，每个机械臂独立求解一个局部收敛时界优化问题，同时与邻近节点交换极少量的信息。
核心组件
- 基于采样的 MPC (MPPI)： 基于 STORM 算法，MR-STORM 利用了模型预测路径积分（MPPI）控制。该方法利用 GPU 加速的并行展开（rollouts），从多元高斯分布中采样控制序列（关节加速度）。它在有限时界 H 内优化代价函数，无需基于梯度的微分，从而允许处理不可微的代价函数和复杂的约束。
- 用于动态避障的计划共享： 为了解决将其他机械臂视为静态物体的局限性，MR-MORTM 引入了一种通信机制。每个机械臂都会广播其“预期计划”（P^ϕ），该计划源自其在未来 H 步内控制分布的均值。其他机械臂将此数据纳入其代价函数，作为动态碰撞惩罚项。
- 该代价项会对展开轨迹中碰撞球体与邻近机械臂预期计划之间的距离低于安全缓冲值 B 的情况进行惩罚。
- 此计算在 GPU 上并行化处理，确保尽管增加了复杂度，计算开销仍然微乎其微。
- 动态优先级方案： 为了解决机械臂可能进入活跃锁（即同时后退和前进）的冲突问题，作者引入了一个基于距离的优先级因子 α(j,i)。
- 优先级权重根据两个机械臂（j 和 i）到各自目标的欧几里得距离之比进行计算。
- 指数 τ 作为一个信任参数：较高的 τ 会放大更接近目标的机械臂的优先级，使其能够继续前进，而让“谨慎”的机械臂让路。这打破了相互避让方法（如 ORCA）中固有的对称性，并在不需要中央协调器的情况下防止了死锁。
算法流程
每个机械臂的控制循环遵循“感知-优化-执行”范式：
- 感知： 机械臂观测其自身状态、静态障碍物以及来自所有其他机械臂最新的预期计划。
- 优化： 使用 MPPI，机械臂采样 N 个控制序列，根据修改后的代价函数（结合了邻居计划和优先级）进行评估，并通过指数移动平均更新其控制分布参数。
- 执行： 机械臂执行最佳轨迹的第一步，移动时界，并将其新的预期计划发布给邻居。
主要贡献
- MR-STORM 算法： 一种基于采样的分布式 MPC 算法，能够在拥挤、动态的环境中高效扩展至多臂系统。它将单臂 STORM/MPPI 框架扩展到了去中心化协调。
- 去中心化优先级排序： 一种新型协调方案，通过共享规则（距离目标距离）而非中央权威来动态解决机械臂间的冲突。这确保了平滑、无碰撞的运动并防止了活跃锁。
- 实验验证： 在 120 个模拟场景（涵盖目标到达、跟随和装箱任务）中进行了广泛的基准测试，并在物理硬件（Unitree G1 人形机器人）上进行了部署。研究表明，MR-STORM 在任务成功率和安全性方面均优于既有基准。
实验结果
作者将 MR-STORM 与多种基准方法进行了对比，包括集中式 STORM、去中心化 STORM（无通信）以及 GPU 加速的全局规划器 cuRobo。
仿真性能：
- 集中式方法（cuRobo, Centralized STORM）： 在动态、高密度环境下表现挣扎。它们对寻找全局解的依赖引入了延迟，随着复杂度的增加，这种延迟降低了任务性能和安全性。
- 去中心化 STORM（无通信）： 虽然实现了较高的任务得分，但在困难场景下遭受了灾难性的碰撞率（比 MR-STORM 高出高达 20 倍），因为机械臂对彼此运动的反应过于滞后。
- MR-STORM 变体： 完整的 MR-STORM 配置（具备通信和优先级排序）始终保持了高任务成功率和低碰撞率。
- 消融实验： 取消优先级排序（设置 τ=0）会导致在高交互任务（如目标到达任务）中的性能崩溃（下降了 74%），证实了优先级排序对于高效解决冲突至关重要。
- 效率： 使用单次优化迭代（K=1）的变体在显著降低计算成本的同时，获得了与标准配置几乎一致的性能。
真实世界部署：
- 该算法被部署在拥有两个 7 自由度机械臂的 Unitree G1 人形机器人上。
- 在一个涉及频繁机械臂交叉的“网格墙”伪拣选任务中，MR-STORM 在 100 秒内平均成功完成了 15.5 次放置，且 10 次试验中的平均碰撞次数仅为 0.1 次。
- 未发生高冲击碰撞，验证了从模拟训练参数到物理硬件的可迁移性。
意义与主张
论文声称 MR-STORM 为多臂操作提供了一种可扩展、反应式的解决方案，平衡了任务效率与安全性。通过利用 GPU 的并行处理能力和去中心化架构，该方法避免了集中式规划的计算瓶颈，同时克服了去中心化方法的安全性与死锁问题。
作者强调，对于不可预测性较高的动态环境，他们的方法具有特别重要的意义。他们断言，通过结合计划共享和动态优先级排序，多个机械臂可以在对误差“零容忍”的紧耦合工作空间内运行，实现性能与安全的平衡，这是现有基准方法无法达到的。这项工作被视为迈向复杂机器人系统（如工业及人机协作场景）稳健、实时协调的重要一步。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。