风险规避规划中的多智能体下一最佳视角优化
本文提出了一种分布式、风险感知的多智能体下一最佳视角(NBV)框架，每个机器人维护私有局部3D高斯泼溅地图，并利用共识ADMM算法，在通信图中仅交换候选视角、轨迹描述符和标量期望信息增益，从而在保证映射质量和轨迹安全的同时，将通信量降低数个数量级。
来源arXiv Robotics作者: Amirhossein Mollaei Khass, Vivek Pandey, Guangyi Liu, Athanasios Cosse, Emrah Bayrak, Nader Motee
多机器人系统在未知环境中进行安全路径规划时，高效的下一最佳视角（NBV）选择是实现自主探索的关键。传统的集中式方法需要共享原始传感器数据或大量通信信息，导致系统可扩展性受限。为了解决这一问题，研究人员提出了一种全新的分布式、风险感知的多智能体NBV框架。在该框架中，每个机器人独立维护一个私有的局部3D高斯泼溅（3DGS）地图，而整个团队则共同优化沿规划轨迹上掩蔽区域内的期望信息增益（EIG）。这种分布式优化通过共识交替方向乘子法（C-ADMM）在通信图上求解，各机器人之间仅交换候选视角、轨迹描述符以及标量的EIG贡献值，从而大幅减少了通信负载。
为了确保路径安全性，该框架利用局部3DGS地图上的平均风险价值（AV@R）来建模碰撞风险。AV@R指标不仅用于调整掩蔽半径的大小，还直接用于对规划路径进行评分，使得机器人能够在信息收集与安全之间取得平衡。通过在Gibson仿真环境中对不同规模机器人团队进行测试，实验结果表明，该分布式方法在映射质量和轨迹安全性方面能够接近集中式基线的表现，同时将通信量降低了数个数量级。这项工作为大规模多机器人系统的鲁棒自主探索提供了新的思路，具有重要的理论和实践价值。