Multi-Robot Task Allocation and Path Planning Based on HIGWO-NSGAII
本文提出了 HIGWO-NSGAII，这是一种集成了改进型灰狼优化算法、基于 Q 学习的自适应调度以及局部搜索机制的混合多目标优化算法，旨在有效解决多机器人任务分配与路径规划问题，且与现有方法相比具有更优越的收敛性、稳定性和可扩展性。
原始论文采用 CC BY 4.0 许可（https://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
在现代物流、灾难救援和工厂自动化的繁忙世界中，仅靠单个机器人往往是不够的。为了在仓库中高效移动或在坍塌的建筑中穿行，机器团队必须协同工作，但协调它们是一个极其复杂的谜题。挑战在于两个部分：首先是决定哪个机器人应该处理哪个特定任务，然后是为每一个机器人规划一条安全且高效的路径，使其到达目的地时既不会撞到墙壁，也不会与队友发生碰撞。随着机器人数量和目标的增加，这些任务排列的可能性呈爆炸式增长，使得传统的计算机方法几乎无法快速找到最优解。此外，这些系统经常面临冲突的目标；例如，一个旨在最小化整个团队总行驶距离的计划可能会迫使某个机器人采取一段非常长且令人精疲力竭的路线，而一个旨在平衡工作量的计划则可能会增加总行驶距离。寻找这些竞争性需求之间的完美平衡，需要一种全新的数学方法。
安徽信息技术学院的研究人员开发了一种解决这一协调问题的新方法，创建了一种类似于高效交通控制器的混合算法来管理机器人团队。他们将这种方法命名为 HIGWO-NSGAII，这是一个结合了两种不同计算策略的系统，用以应对任务分配和路径规划的双重挑战。研究人员构建的系统运行在一个类似于国际象棋棋盘的网格状环境中，其中障碍物是固定块，机器人从一个方格移动到另一个方格。在正式规划开始之前，系统使用一种广为人知的路径规划工具来计算每个机器人到每个潜在目标的可能最短距离，从而创建一个成本图，作为优化过程的基础。其创新的核心在于一种结合了另一种算法广泛、多样化搜索能力与另一种算法快速、专注狩猎本能的方法，这使得系统能够在探索许多不同可能性的同时，迅速锁定最高效的解决方案。
为了管理任务的复杂性，研究人员设计了一个模仿狼群社会结构的系统。在自然界中，狼群通过由阿尔法（alpha）、贝塔（beta）和德尔塔（delta）领导的清晰等级制度进行狩猎，每个角色在追逐过程中都扮演着特定的作用。研究人员将这种行为转化为一种数字机制，其中目前发现的最佳解充当了这些“领导者”。数字版本并不像真实的狼那样进行连续移动，而是将这些“领导者”解的特定部分注入到当前的计划中，有效地交换拼图的碎片，以观察新的排列是否更好。这一过程受到严格控制，以确保解的有效性，即每个机器人恰好获得一个唯一的任务目标，且没有两个机器人被分配到同一项工作。为了防止系统陷入局部困境，研究人员加入了一个类似于教练实时调整团队策略的学习组件。这位“教练”监控团队的进度，并决定何时鼓励对新想法进行大胆、广泛的探索，以及何时专注于完善已有的最佳想法。它通过自动调节混合不同计划或进行微小随机变化的概率来进行操作，确保团队在搜索过程中保持适应性。
研究人员使用三种不同的场景测试了这种新方法，并将其与另外七种现有的算法进行了对比：包含12个机器人的小型网格、20个机器人的中型网格，以及30个机器人的大型网格。在每一次测试中，新系统都表现优于其他算法，不仅找到了更好的解，而且表现得更加稳定。在最小和最大的测试中，该系统找到的一组解完美匹配了理论上的最优参考前沿，展现出了其他方法无法比拟的可靠性。在中型测试中，与次优方法相比，它将解集的整体质量提升了百分之二十以上，同时将与最优参考前沿的距离缩减了百分之九十以上。该系统在维持多样化的优质选项方面特别有效，能够为人类操作员提供丰富的选择菜单，而非仅仅是一个单一、僵化的计划。相比之下，其他在连续、平滑环境中表现良好的方法在应用于这种离散的、基于网格的问题时表现得十分吃力，经常产生机器人绕远路或者解的相似度过高从而缺乏多样性的计划。
这项研究表明，通过结合不同计算方法的优势并加入自适应学习层，可以高精度且稳定地解决机器人团队的复杂协调问题。研究人员发现，该方法在不同规模下（从小型群体到大型机群）都能保持良好的效果。虽然目前的工作是在具有静态障碍物的模拟环境中进行的，但结果表明，它对于需要平衡速度与公平性的现实应用场景（如仓库和救援行动）具有强大的工具价值。作者承认，未来的工作需要解决移动障碍物和动态任务的问题，但目前的发现为如何高效协调多机器人提供了坚实且经过验证的基础。通过证明这种混合方法能够一致地在总效率和个体工作量之间找到最佳权衡，该研究为在物理世界中部署更聪明、更具协作能力的机器人团队提供了一条切实可行的路径。
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。