多机器人协作箱体运输：基于角色分散式比例控制的地表适应性方法
本文提出R2P2分散式方法，通过规则分配推、支撑、阻止角色，并采用比例速度控制，实现多机器人协作推动箱体在不同倾斜度和摩擦力的地表（平坦、上坡、下坡）上运输。该方法减少了通信与同步需求，避免单点故障。在NVIDIA IsaacSim仿真中，六机器人团队验证了其在不同地表和箱体质量下的泛化能力，成功率优于传统虚拟领导者-跟随者方法。实际实验中，四台Turtlebot成功移动了1.2千克的箱体。
文章情报
要点
- 提出R2P2分散式方法，通过规则分配推、支撑、阻止角色，并采用比例速度控制。
- 支持不同倾斜度（平坦、上坡、下坡）和摩擦系数的地表，适应不同箱体质量。
- 仿真实验显示成功率优于虚拟领导者-跟随者方法，实际实验验证了可行性。
为什么重要
这条新闻值得关注，因为提出R2P2分散式方法，通过规则分配推、支撑、阻止角色，并采用比例速度控制。
技术影响
可能影响 GPU、推理集群、算力成本和供应链规划。
多机器人协作运输在建筑、仓储以及灾后清理等领域具有广泛应用前景。然而，当运输任务需要在不同倾斜度和摩擦特性的地表（如平坦地面、上坡、下坡）上进行时，传统方法面临通信、同步和共识方面的挑战，且容易因单点故障而失败。针对这些问题，一篇发表于arXiv的论文提出了一种名为R2P2（Roles with Rules and Proportional-control Primitive）的异步分散式任务与运动规划方法，旨在实现多机器人对箱体的推动运输。
R2P2的核心思想是基于规则的角色分配。根据所需操作模式（箱体旋转或平移），机器人被分配为推、支撑或阻止等角色，随后采用基于规则的控制或比例速度控制来执行任务。每个机器人仅需观察自身和箱体的位置与朝向，即可完成协作，无需全局通信或同步。这种分散式设计显著降低了对通信和共识的需求，同时避免了单点故障问题。
为了验证R2P2的有效性，研究团队在NVIDIA IsaacSim仿真环境中部署了六台机器人，测试了不同地表摩擦系数、倾斜角度以及箱体质量下的运输性能。结果表明，R2P2在不同场景下均展现出良好的泛化能力，且成功率优于传统的虚拟领导者-跟随者方法。此外，实际实验中，四台Turtlebot机器人成功将一个1.2千克的箱体推至目标位置，进一步证明了该方法的实用性。
该研究的贡献在于提出了一种无需集中控制或复杂通信的协作运输方案，为多机器人系统在非结构化环境中的应用提供了新思路。未来，团队计划进一步优化角色分配规则，并探索更多复杂地形下的适应性。