Diffusion for Long-Horizon Multi-Robot Path Planning in Human-Shared Environments
本文介绍了多机器人滚动扩散（Multi-Robot Rolling Diffusion, MRRD），这是一个通过结合滚动时界方案、并行化扩散推理以及冲突解决机制，使大规模机器人团队能够在拥挤的人机共享环境中进行实时、长时程路径规划的新型框架，其在安全性与任务成功率方面显著优于现有基准方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一个繁忙的城市广场，一支由 15 个机器人好友组成的队伍需要从一侧穿行到另一侧，但广场上挤满了走动的真人。这些机器人需要协同移动，既不会互相碰撞，也不会撞到人类，并且需要看起来动作自然。这就是该论文所解决的挑战，它提出了一种名为 多机器人滚动扩散（Multi-Robot Rolling Diffusion, MRRD） 的新系统。
想想以前机器人规划路径的方式，就像一支僵硬的行进乐队。它们会在迈出第一步之前，就决定好从起点到终点的整个路线，并且被迫以符合预设歌曲长度的速度进行行进，无论目的地有多远。如果目标很远，它们就必须危险地飞速冲刺；如果目标很近，它们就必须尴尬地缓慢挪动。论文指出，这种“固定时间”的方法是一个重大缺陷，因为它会导致不稳定且不安全的运动，并且在人群过于拥挤时会失效。
MRRD 改变了游戏规则，它的运作方式更像是一群在繁忙市场中穿行的朋友。它们不再一次性规划好全天的路线，而是采取短促的、滚动的步伐。它们向前观察几秒钟（在模拟中约为 3.2 秒），决定下一步去哪里，走几步（约 1.6 秒），然后立即再次向前观察以进行调整。这种“滚动”的方法让它们能够根据当前距离目标的远近以及路径的拥挤程度，自然地加速或减速。
为了确保这 15 个机器人不会互相绊倒，MRRD 使用了一个聪明的“交警”系统，称为基于冲突的搜索（Conflict-Based Search）。想象一下机器人正在玩一个游戏，它们都试图同时绘制自己的路径。如果两个机器人试图在同一时间占据同一个位置，系统就会暂停，在那个位置周围画一个临时的“禁止进入”气泡，并要求机器人重新绘制路径以避开它。论文表明，这种方法让机器人即使在屏幕上有 15 个机器人的情况下，也能实时解决这些冲突。
机器人还通过学习包含 2 万条真实人类行走路径的海量数据集，学会了像人类一样移动。它们使用一种“扩散”模型，这个模型就像一位创意艺术家，从一张模糊、充满噪声的草图开始，慢慢将其清理干净，直到它看起来像是一个完美、平滑的行走动作。论文建议，通过向这位艺术家添加一个特殊的“紧迫感”信号，机器人可以学会当远离目标时快步走，而在接近目标时放慢速度，从而解决了“固定时间”的问题。
在论文的模拟实验中，MRRD 表现得非常出色。当在空旷空间测试多达 15 个机器人时，MRRD 实现了 0.00 的机器人-机器人碰撞率，这意味着在这些特定场景下，机器人从未发生过互相碰撞。相比之下，其他方法在类似的测试中表现挣扎，碰撞率高达 0.98（意味着几乎每次尝试都失败了）；在 12 个机器人的空地图特定场景中，其他方法的机器人-人类碰撞率甚至达到了 1.00，而 MRRD 在 15 个机器人的空地图测试中，机器人-人类碰撞率极低，仅为 0.08。
该系统也非常快速。在 15 个机器人在空地图中最拥挤的测试中，MRRD 的总规划时间（所有滚动步骤的总和）仅为 8.8 秒。这比排名第二的扩散类方法（耗时 60.2 秒）快了约 7 倍。此外，机器人的移动也更加平滑，其加速度剖面比其他方法的颠簸运动要低 5 到 8 倍。
论文总结道，虽然这种方法在这些模拟环境中表现出色，但它是一种针对此类问题的特定解决方案。它建议未来的工作可以包括通过将人类预测直接整合到绘图过程中来增强系统的鲁棒性，但就目前而言，MRRD 是让大型机器人团队在人类人群中安全且具有社交属性地移动的一种非常有效的方法。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。