HEHA：面向约束路径规划的有界次优规划及其在异构多机器人未知环境探索中的应用
该论文提出 HEHA 分层探索框架，用于无人机、轮式与足式等异构机器人协同探索未知环境。其全局规划模块采用新算法 RCH，在可通行性约束下求解大规模多哈密顿路径问题（mHPP），以最小化各机器人最大路径长度（makespan），并快速给出有界次优解；局部规划器同样考虑异构性以减少重复探索。实验显示，在异构可通行性条件下，RCH 的 makespan 比多个基线最多小 47%，HEHA 的探索时间比现有方法最多减少 30%。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《HEHA: Bounded Suboptimal Planning for Constrained Routing and Its Use in Heterogeneous Multi-Robot Exploration of Unknown Environments》查看原链
本文研究使用多台异构机器人（如无人机、轮式机器人和足式机器人，它们穿越复杂地形的能力各不相同）自主探索未知环境时的路径规划问题。 其中的关键挑战是：在可通行性约束下，智能地将机器人分配到待探索的未知区域，并确定这些区域的访问顺序；这构成一个大规模带约束的多哈密顿路径问题（mHPP），每当探索到新空间时都需要快速、迭代地求解。
为应对该挑战，我们提出 HEHA（Hierarchical Exploration with Heterogeneous Agents），采用近期的分层方法将探索分解为全局规划与局部规划。 HEHA 的主要贡献在全局规划部分：我们提出一种新的路径规划算法 RCH（Routing with Constraints and Heterogeneity），它能快速为 mHPP 找到有界次优解，在满足可通行性约束的前提下最小化各智能体间的最大路径长度（即 makespan）。
此外，HEHA 的局部规划器也考虑异构性，以避免机器人之间重复和冗余的探索。 实验结果表明，在存在异构可通行性的情况下，我们的 RCH 求解 mHPP 的 makespan 比若干基线最多小 47%，HEHA 相比现有方法可将探索时间最多减少 30%。