Distributed Model Predictive Control with Connectivity-based Contracts
本文提出了一种可扩展的分布式模型预测控制（DMPC）框架，该框架通过为每个智能体分配一个源自邻居交换的局部“连通性契约”，从而在无需全局连通性假设的情况下，确保移动机器人的团队连通性，并保证网络内聚、避障以及约束满足。
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
想象一群小型自主车辆在拥挤的空间中协同移动，例如在坍塌的建筑中搜寻幸存者，或是在灾区运送物资。为了让这些机器能够作为一个团队运作，它们必须不断地相互交流，分享彼此的位置和计划，以避免碰撞并协调行动。如果这群机器失去了通信能力，团队就会瓦解；信息无法流动，安全性受到威胁，任务也会失败。工程师面临的挑战在于，设计一种控制系统，既能让这些机器人自由移动以实现目标，又能积极确保它们永远不会因距离过远而失去联系。这是一个艰难的平衡过程，因为保证群体保持连通性的数学规则是复杂且相互依赖的，这使得在没有中央计算机指挥的情况下，很难为每台机器人实时计算出一条安全的路径。
长期以来，研究人员一直试图使用一种称为分布式模型预测控制的方法来解决这个问题，即每台机器人根据其邻居的信息来计算自己的未来路径。然而，现有的大多数方法只是简单地假设网络保持连通，而不是构建一个主动强制执行连通性的系统。当连通性的数学条件被直接应用时，它会产生一个将每一台机器人与其它所有机器人都联系在一起的复杂约束网络，从而破坏了快速、独立计算路径的能力。为了克服这一问题，来自苏黎世联邦理工学院（ETH Zurich）和洛桑联邦理工学院（EPPF）的一个工程师团队开发了一种新的框架，用简单的局部协议取代了这些复杂的全局规则。他们将这些协议称为“契约”（contracts）。
在这个新系统中，每台机器人都被分配了一个特定的安全区域——即一段短时间内允许其移动的局部空间区域。这些区域并非随意设定，而是基于与直接邻居的一次信息交换进行精心计算。其核心洞察在于：如果每台机器人都在其分配的区域内活动，整个群体在数学上就能保证保持连通。研究人员设计这些区域时，使其恰到好处地重叠，以维持通信链路的畅通，从而有效地创建了一个防止网络断裂的安全网。该系统不再试图为整个集群求解一个庞大且不可能完成的方程，而是让每台机器人只需解决一个简单的独立问题：如何在保持在自身移动边界内的同时到达目标。
该团队通过在计算机模拟和真实硬件实验中使用微型类车机器人对这种方法进行了测试。在模拟中，他们将七台机器人在充满障碍物的杂乱环境中，并要求它们导航至特定的目标位置。他们将这种新方法与旧技术进行了对比，旧技术要么忽略了连通性，要么试图使用需要所有机器人紧密耦合的沉重且复杂的计算来强制执行连通性。结果显而易见：旧方法要么无法保持群体连通，要么需要如此高的计算能力以至于无法进行实时控制。相比之下，这种新的基于契约的系统在每一次试验中都保持了网络的连通，使机器人能够避开碰撞并高效地到达目的地。机器人仅需几毫秒即可解决各自的路径规划问题，这种速度使得在小型、低功耗计算机上进行实时控制成为可能。
当研究人员将该系统转移到物理硬件上，使用配备了 Wi-Fi 和运动捕捉传感器的真实机器人时，结果依然成立。机器人成功地在杂乱的环境中导航，并在整个行程中保持了连通的通信网络。如果没有这些新的契约，机器人会彼此漂移，导致网络断裂，其连通性的代数度量会降至零。在实施契约后，网络保持稳健，机器人在避开障碍物的同时，始终安全地保持在通信范围内。该系统证明，通过简单的局部规则即可强制执行复杂的群体行为，从而使集群无需中央大脑或持续的高强度计算即可作为一个凝聚的整体运作。这项工作表明，通过重新思考机器人如何就其活动范围达成共识，工程师可以创造出既安全又具可扩展性的自主团队，使其能够在混乱且不可预测的现实世界中开展工作。
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。