透過CBBA和凸集圖實現動態雜亂環境中的任務分配與運動規劃
本文提出了一種結合凸集圖（GCS）軌跡最佳化與共識捆綁演算法（CBBA）分散式任務分配的解決方案，用於多智慧體在動態雜亂環境中的任務規劃。GCS在3D+時間配置空間中尋找最優軌跡，CBBA協調任務分配，實現避碰並提供準確的任務完成時間估計。在模擬環境中驗證了有效性。
近日，一篇提交至AIAA-Scitech 2027的論文提出了一種新穎的方法，用於解決動態雜亂環境中多智慧體的任務分配與運動規劃問題。該研究由Matthew D. Osburn等人完成，論文標題為“Task Allocation and Motion Planning in Dynamic, Cluttered Environments via CBBA and Graphs of Convex Sets”。論文於2026年6月16日提交至arXiv預印本平臺，編號為2606.18516，共計15頁，包含10張圖表。
在動態環境中，任務分配不僅取決於哪個智慧體最適合某項任務，還取決於任務何時何地可達。傳統方法往往將任務分配與運動規劃分開處理，導致效率低下或無法保證可行解。為此，研究者創新地將凸集圖（Graphs of Convex Sets, GCS）與共識捆綁演算法（Consensus-Based Bundle Algorithm, CBBA）相結合，形成了一個緊密耦合的解決方案。
GCS是一種強大的軌跡最佳化工具，能夠在包含凸約束的配置空間中快速找到最優路徑。該研究將其擴充套件至3D+時間維度，即考慮三維空間位置和時間因素，從而處理動態障礙物和移動目標。另一方面，CBBA是一種分散式任務分配演算法，透過智慧體間的區域性通訊達成共識，無需中央控制器即可高效地將任務分配給各智慧體。兩者結合後，CBBA可向GCS提供任務分配資訊，而GCS則反饋精確的軌跡可行性及完成時間，形成一個閉環。
這種整合方法使得智慧體能夠在3D+時間配置空間中避免碰撞，並提供精確的任務完成時間估計。研究團隊透過模擬實驗，在包含靜態和動態任務的雜亂環境中驗證了該方法的有效性。實驗場景模擬了無人機群在倉庫或災害現場中執行會合、救援等任務，結果顯示了良好的可擴充套件性和魯棒性。
論文的潛在應用包括無人機群協同、自動駕駛車隊以及災難救援等領域。該方法為在複雜動態環境中實現高效、安全的自主導航提供了新思路，未來有望擴充套件到更多實際場景。