无人集群系统协同运动规划技术综述_孔国杰.pdf

第 卷第 期 年 月兵工学报 ：无人集群系统协同运动规划技术综述孔国杰，冯时，于会龙，巨志扬，龚建伟（北京理工大学 机械与车辆学院，北京；部队，北京）摘要：地面无人集群由多个地面无人移动平台构成，能够通过各无人平台间相互协同完成统一的系统协同目标，在军事和交通系统等领域能够发挥重要的作用。协同运动规划作为无人集群系统协同的关键技术之一，近年来在理论和应用等方面的研究受到越来越多的关注。针对此研究问题，归纳总结了近年来相关领域的无人集群系统协同运动规划的研究成果，阐述了无人集群协同运动规划技术的研究背景和意义，结合国内外发展现状和研究进展，对多车协同系统的应用进行了表述，并根据主流研究方法使用的框架和算法，对现有的协同运动规划技术进行分类，并讨论了各类方法的主要特点，同时对相关代表性工作进行讨论，提出了无人集群协同规划技术面临的挑战和未来发展方向。关键词：无人车辆；多车协同；运动规划；多智能体系统协同 中图分类号：文献标志码：文章编号：（）收稿日期：基金项目：国防基础研究项目（）；北京理工大学青年教师学术启动计划项目（年），（，；，）：，：；兵 工 学 报第 卷 引言地面无人集群系统由多个同构或异构的无人车构成，是共同完成统一目标的协作系统，在 军事、生产、物流、交通 等各个领域能够发挥重要作用，其典型应用场景如图 所示。多车协同系统协同涉及交通流优化、智能任务调度分配、多智能体协同定位、协同规划控制 等多个研究方向，目前，在智能车辆、智能交通、机器人等方向的研究及应用领域，已经取得了许多优秀成果。随着车与外界（）通信技术的发展，无人车辆能够通过网络通讯与其他车辆、网络设备、路面基础设施等进行互联，单无人车辆获取信息的范围逐渐扩大，并能够基于交互信息进行分析决策，进一步促进了车车、车网、车路之间的信息交互，从而使得多车协同系统有了更广泛的应用场景。图 多车协同系统应用场景 多车协同系统能够实现更合理的资源分配和任务分配，以及提高复杂任务的执行容错率和鲁棒性，在执行各类复杂任务，如大面积环境探索、集群打击、仓储物流、协同施工作业时，具有更大的优势。此外，多车协同系统有利于提升交通通行效率、改善拥堵状况、减少污染排放与能源消耗，对系统整体效率提升及能耗降低有着重要的作用。多车协同系统是多智能体系统的一个典型实例，每辆无人车可看作一个智能体，在多个智能体协同行驶或作业时，会不可避免地产生运动轨迹冲突问题。仅依靠单一平台的感知、决策和控制进行“孤岛式”的相互避障策略，易受到环境及传感器等因素的干扰，造成车辆避让策略失误，导致危险情况的发生，既无法满足多车协同系统的安全性需求，亦不能充分发挥多车协同系统的优势，这就产生了协同决策规划的需求。本文针对多车协同系统的协同运动规划技术展开调研，对现有方法进行总结和分类，并针对不同技术类型的特点进行详细分析。国内外发展现状概述.国外多车协同技术及应用场景概述国外多车协同系统研究起步较早。早期研究由于硬件限制，大部分针对于小规模的多车协同系统，更多利用单体智能，依靠简单规则和交互完成多车协同。年加拿大 大学 等研发了 多车协同任务系统，实现了多个无人平台的协作推箱任务；年美国加州大学 项目进行了高速环境下的多车协同行驶实验，实现了多车编队稳定行驶、加速、跟随车辆进入及离开编队等。近年来，随着计算平台算力的提升和通信技术的发展，多车协同系统向着大范围作业、集群规模化、协同智能化的方向快速发展，研究人员将单车路径规划、模型预测控制（）、博弈论 等理论引入多车协同系统中，在理论探索和实验研究方面取得了大量进展。等将多车协同问题表述为一个带有反碰撞约束的顺序规划问题，并通过求解障碍物包围下的车辆最快无碰撞轨迹实现多车协同；英国 大学 等通过建立交通管制决策优化目标，提出了一种 空间多车冲突检测和冲突解决的优化方法，通过调整速度及轨迹的中长期避让策略和通过调整航向的短期避让策略实现协同规划；荷兰代尔夫特理工大学 等提出一种考虑运动不确定性的分布式多车协同规划方法，将每个智能体与实体的碰撞概率约束构建为机会约束，通过假设不确定性符合高斯分布，将机会约束转化为确定性线性约束，并基于分布式 求解多智能体的无冲突路径。除了理论方面的探索外，在实际应用方面，国外许多科研单位也对多车协同系统进行了一系列的探索，如美国航空航天局（）为实现外星球资源与环境探索目标，设立 项目，利用多个具有感知、定位与通信功能的无人车，实现协同大面积未知区域探索，如图（）所示。美国海军研究办公室对水陆两栖小型无人战车集群展开研究，实现了多车协同两栖作战能力的提升。欧盟设立 课题，开展多车协同搬运方面的研究，旨在提升多车协同系统的工作效率和能力。.国内多车协同技术及应用场景概述与国外相比，国内对多车协同系统的研究开展 第 期无人集群系统协同运动规划技术综述图 国内外多车协同系统研究现状 相对较晚，然而，随着近年来我国技术实力的快速提升与人工智能技术的快速突破，产生了许多有价值的理论研究成果与实际应用。清 华 大 学 等针对部分车联网环境下的多车队列协同避让问题，提出了相对动能密度的概念，在车联网环境下设计了总相对动能密度最小的多车协同控制算法。北京理工大学毛昱天等针对初始通信网络拓扑为强连通非平衡图条件下的多车协同控制问题进行研究，在系统中存在和不存在领航者的条件下实现多车协同系统的分布式集群控制，实现了多车集群的编队行驶，如图（）所示。此外，国内许多研究机构与企业也纷纷开始探索多车协同系统的实际应用。陆军装备部“跨越险阻 陆上无人系统挑战赛”中加入无人车编组快速突击组别、陆空无人系统集群侦查打击组别等，将多无人系统集群作战概念运用到复杂地形、复杂天候和复杂电磁环境下，有力提高了多车协同系统在军用领域的实际应用水平，为占领未来智能化陆战制高点提供技术储备。京东物流将多车协同系统应用于仓储物流领域，在其仓储配送中心使用百余台具备环境感知、自主定位、协同作业等功能的物流机器人对快递进行快速分拣，如图（）所示。多车协同系统协同运动规划框架分类多车协同规划算法的整体框架类型主要分为集中式框架、分布式或分散式框架，以及分层分布式或混合框架，如图 所示。集中式框架是指中央控制器计算所有被控车辆的运动轨迹，并发布给各车需执行的控制量或控制参考量。由于各车需要与中央控制器直接进行有关控制量的信息传输，常常要求所有被控车辆是网联式的，并且各车之间能相互通信或车辆与基站之间（）能相互通信。集中式框架的优点是能获取所有车辆的确定性状态信息，从而能采用多无人车整体优化的方法实现规划结果的全局最优性。当计算规模小时，若采用高性能计算机作为中央控制器来实行并行计算，足够满足计算效率的要求。然而，当被控车辆数目增加时，由于仅在一个机器上求解，计算代价和通信负担显著增加。这也是限制集中式框架广泛应用的主要原因。等将多车运动规划问题统一为集中式框架下考虑避免碰撞约束的最优控制问题，并提出一种基于初始化的计算框架 渐进约束动态优化框架（）以减少中央控制器的计算负担，最终以多车协同停车任务验证了轨迹规划结果的最优性。分散式框架或分布式框架是指各车有自己独立的控制器，承载各自轨迹规划任务。一方面，对于大规模的无人车环境，将原始的多无人车全局优化问题分解为多个次优的子问题，由各车分摊计算负担，保证实时运行效率；另一方面，对于无人车覆盖率小于 的环境，车辆在无法通过直接通信获取其他车辆状态信息的情况下，需自行通过感知预测等模块观测其他交通参与者的状态和行为，并以此进行规划。等提出了一种在无信号灯路口进行协调驾驶的分布式规划控制逻辑，与其此前提出集中式框架方法 相比，能以更少的 计算时间来生成接近最优的车辆兵 工 学 报第 卷图 多车协同规划算法框架 轨迹，并且分布式算法框架不会随着被控车辆数目的增多而延长运行时间。整体而言，通常分布式框架牺牲解的全局最优性以换取更高的计算效率。分层分布式框架也称混合框架，结合了集中式和分布式框架的优点。在此框架中，中央控制器可以通过与各被控车辆通信来进行集中式的规划与控制，同时，各被控车辆之间又可以通过与相邻车辆的通信来协同完成一定的任务。在此协同框架下，各车辆既受中央控制器的统一规划任务控制，又保留了一定的车间协同自主性。分层分布式协同规划框架既保留了集中式框架的全局最优性，又保留了分布式框架的可扩展性及鲁棒性的优点，可以在求解质量和规划的时间成本之间取得一个较好的平衡。综上所述，各类多车协同规划算法框架都有其适用范围，在求解规模不大且对解的质量要求高时，优先考虑集中式框架；而对于系统规模较大或存在非网联车辆的情况，需要保证车辆有一定的分布式计算能力。多车协同系统协同运动规划算法分类在多车协同系统中，多车协同决策规划模块需要计算多个车辆在未来一段时间内的无冲突运动轨迹。需要在考虑多个车辆可能存在的运动冲突的同时，考虑环境因素、车辆自身结构和车辆动力学特性等因素对车辆运动轨迹带来的限制，在较短时间内规划出多车运动相互之间无冲突、安全且易于控制模块进行轨迹跟踪的运动轨迹。本节基于多车协同系统的框架分类，对不同框架下的算法进行整理，并分析其特点。.集中式框架下的多车协同规划方法集中式框架采用中心节点计算、车辆节点执行的方案，由中央计算设备对所有车辆的轨迹进行实时规划，车辆负责跟踪执行所接收到的路径结果。基于集中式框架的协同规划方法通常可以计算出全局最优轨迹，提升系统的执行效率和协同效果，广泛应用于仓储物流、集群打击等场景，然而，由于集中式框架对于通讯状态和中心节点计算能力要求都十分高，在面对野外大面积探索、农业作业等作业区域较广、通讯延时较大的非结构化道路场景任务时表现一般。目前集中式框架下的多车协同主要包括基于搜索算法和基于优化控制的方法。.集中式框架下的多车协同规划方法在集中式的多车协同规划中一类方法是在单车路径搜索算法的基础上进行改进而来，此类方法中在单车搜索算法之上添加了对路径冲突的处理机制，其中路径冲突主要有两种：碰撞冲突和交换冲突。此类方法中一类是基于 搜索算法的方 第 期无人集群系统协同运动规划技术综述法，例如局部修复 算法（）和分层合作 算法（）等。此类算法随着车辆数量和环境复杂度增加，可扩展性差。为解决这个问题，目前基于路径搜索的算法最常用的是冲突搜索（）算法。基于冲突搜索的多车协同规划方法从基于搜索的单车规划方法基础上发展而来，是近几年提出的专门用于求解多车协同规划问题的一类分层搜索算法。经典算法包括 算法、改进冲突搜索（）算法、增强冲突搜索（）算法等。算法把多车路径规划问题视为多个单车路径规划问题，上层算法找到多车路径之间的冲突，并通过分裂结点的方式在下层搜索中添加多车路径约束条件，下层算法解决多个单车路径规划问题，在基于搜索的路径规划算法基础上满足多车路径约束，从而解算多车无冲突路径。在 算法中，下层算法的单车路径搜索过程与普通的路径规划方法类似，不同之处在于搜索过程中需要额外考虑由上层算法添加的冲突约束以及在搜索过程中需要考虑原地等待等情况。算法流程如图 所示，其中圆点代表车辆的初始位置，星号代表各车辆的目标位置，连接初始点和目标点的实线代表相应车辆从初始位置到目标位置的路径；填充颜色的方块代表两车路径的冲突结点。两辆车在初始时刻分别由下层算法规划各自的路径，二者在黄色结点处产生路径冲突，因此需要生成新的分支。为消解冲突，在第 层左侧节点处添加冲突约束为蓝色车辆不能通过冲突结点，右侧节点处添加冲突约束为红色车辆不能通过冲突结点。在相应的冲突约束下，下层规划算法重新对两辆车进行路径规划，并重复以上步骤，直至生成无冲突路径。相较于基于 算法的协同规划方法，用 整体规划求解多车协同问题需要在扩展同时考虑各车之间的冲突，生成大量无意义的节点，算法通过添加约束解决冲突，求解效率更高。然而，在车辆数量较多的高度竞争图中，由于不能检测到独立的子问题，其性能会迅速下降，因此出现了众多基于 的改进和优化算法。算法在原始算法的基础上，提出了元智能体的概念，将两个冲突的车辆合并为一个元智能体，从而减少上层分裂结点的次数，；此外，算法并不