通过CBBA和凸集图实现动态杂乱环境中的任务分配与运动规划
本文提出了一种结合凸集图（GCS）轨迹优化与共识捆绑算法（CBBA）分布式任务分配的解决方案，用于多智能体在动态杂乱环境中的任务规划。GCS在3D+时间配置空间中寻找最优轨迹，CBBA协调任务分配，实现避碰并提供准确的任务完成时间估计。在模拟环境中验证了有效性。
近日，一篇提交至AIAA-Scitech 2027的论文提出了一种新颖的方法，用于解决动态杂乱环境中多智能体的任务分配与运动规划问题。该研究由Matthew D. Osburn等人完成，论文标题为“Task Allocation and Motion Planning in Dynamic, Cluttered Environments via CBBA and Graphs of Convex Sets”。论文于2026年6月16日提交至arXiv预印本平台，编号为2606.18516，共计15页，包含10张图表。
在动态环境中，任务分配不仅取决于哪个智能体最适合某项任务，还取决于任务何时何地可达。传统方法往往将任务分配与运动规划分开处理，导致效率低下或无法保证可行解。为此，研究者创新地将凸集图（Graphs of Convex Sets, GCS）与共识捆绑算法（Consensus-Based Bundle Algorithm, CBBA）相结合，形成了一个紧密耦合的解决方案。
GCS是一种强大的轨迹优化工具，能够在包含凸约束的配置空间中快速找到最优路径。该研究将其扩展至3D+时间维度，即考虑三维空间位置和时间因素，从而处理动态障碍物和移动目标。另一方面，CBBA是一种分布式任务分配算法，通过智能体间的局部通信达成共识，无需中央控制器即可高效地将任务分配给各智能体。两者结合后，CBBA可向GCS提供任务分配信息，而GCS则反馈精确的轨迹可行性及完成时间，形成一个闭环。
这种集成方法使得智能体能够在3D+时间配置空间中避免碰撞，并提供精确的任务完成时间估计。研究团队通过模拟实验，在包含静态和动态任务的杂乱环境中验证了该方法的有效性。实验场景模拟了无人机群在仓库或灾害现场中执行会合、救援等任务，结果显示了良好的可扩展性和鲁棒性。
论文的潜在应用包括无人机群协同、自动驾驶车队以及灾难救援等领域。该方法为在复杂动态环境中实现高效、安全的自主导航提供了新思路，未来有望扩展到更多实际场景。