多機器人協作箱體運輸：基於角色分散式比例控制的地表適應性方法
本文提出R2P2分散式方法，透過規則分配推、支撐、阻止角色，並採用比例速度控制，實現多機器人協作推動箱體在不同傾斜度和摩擦力的地表（平坦、上坡、下坡）上運輸。該方法減少了通訊與同步需求，避免單點故障。在NVIDIA IsaacSim模擬中，六機器人團隊驗證了其在不同地表和箱體質量下的泛化能力，成功率優於傳統虛擬領導者-跟隨者方法。實際實驗中，四臺Turtlebot成功移動了1.2千克的箱體。
文章情報
要點
- 提出R2P2分散式方法，透過規則分配推、支撐、阻止角色，並採用比例速度控制。
- 支援不同傾斜度（平坦、上坡、下坡）和摩擦係數的地表，適應不同箱體質量。
- 模擬實驗顯示成功率優於虛擬領導者-跟隨者方法，實際實驗驗證了可行性。
為什麼重要
這條新聞值得關注，因為提出R2P2分散式方法，透過規則分配推、支撐、阻止角色，並採用比例速度控制。
技術影響
可能影響 GPU、推理叢集、算力成本和供應鏈規劃。
多機器人協作運輸在建築、倉儲以及災後清理等領域具有廣泛應用前景。然而，當運輸任務需要在不同傾斜度和摩擦特性的地表（如平坦地面、上坡、下坡）上進行時，傳統方法面臨通訊、同步和共識方面的挑戰，且容易因單點故障而失敗。針對這些問題，一篇發表於arXiv的論文提出了一種名為R2P2（Roles with Rules and Proportional-control Primitive）的非同步分散式任務與運動規劃方法，旨在實現多機器人對箱體的推動運輸。
R2P2的核心思想是基於規則的角色分配。根據所需操作模式（箱體旋轉或平移），機器人被分配為推、支撐或阻止等角色，隨後採用基於規則的控制或比例速度控制來執行任務。每個機器人僅需觀察自身和箱體的位置與朝向，即可完成協作，無需全域性通訊或同步。這種分散式設計顯著降低了對通訊和共識的需求，同時避免了單點故障問題。
為了驗證R2P2的有效性，研究團隊在NVIDIA IsaacSim模擬環境中部署了六臺機器人，測試了不同地表摩擦係數、傾斜角度以及箱體質量下的運輸效能。結果表明，R2P2在不同場景下均展現出良好的泛化能力，且成功率優於傳統的虛擬領導者-跟隨者方法。此外，實際實驗中，四臺Turtlebot機器人成功將一個1.2千克的箱體推至目標位置，進一步證明了該方法的實用性。
該研究的貢獻在於提出了一種無需集中控制或複雜通訊的協作運輸方案，為多機器人系統在非結構化環境中的應用提供了新思路。未來，團隊計劃進一步最佳化角色分配規則，並探索更多複雜地形下的適應性。