Design eines Multi-Roboter-Navigationssystems basierend auf dem Proximal Policy Optimization-Algorithmus

Je mehr Pfadkonflikte zwischen mehreren Robotern bestehen, desto mehr Zeit benötigen sie, um sich aus dem Weg zu gehen, und desto mehr Navigationszeit benötigen die Roboter, um alle Aufgaben abzuschließen. Diese Studie entwirft ein Multi-Roboter-Navigationssystem basierend auf tiefem Verstärkungslernen, um eine innovative und effektive Methode für die globale Pfadplanung bei der Multi-Roboter-Navigation bereitzustellen. Es kann Pfade mit weniger Pfadkonflikten für alle Roboter planen, sodass die gesamte Navigationszeit für die Roboter zur Erledigung aller Aufgaben verkürzt werden kann. Im Vergleich zu bestehenden Methoden der globalen Pfadplanung für die Multi-Roboter-Navigation schlägt diese Studie neue Perspektiven und Methoden vor. Sie betont zunächst die Reduzierung der Anzahl von Pfadkonflikten, um die gesamte Navigationszeit zu verkürzen. Das System besteht aus einer Lokalisierungseinheit, einer Umgebungs-Karteneinheit, einer Pfadplanungseinheit und einer Umgebungsüberwachungseinheit, die Funktionen zur Berechnung der Roboterkoordinaten, zur Generierung vordefinierter Pfade, zur Auswahl optimaler Pfadkombinationen, zur Roboter-Navigation und zur Umgebungsüberwachung bereitstellt. Wir verwenden topologische Karten, um die Kartenrepräsentation für die Multi-Roboter-Pfadplanung zu vereinfachen, sodass die vorgeschlagene Methode Pfadplanung für mehr Roboter in komplexeren Umgebungen durchführen kann. Der Proximal Policy Optimization (PPO) wird als Algorithmus für das tiefe Verstärkungslernen verwendet. Diese Studie kombiniert die Pfadauswahlmethode des tiefen Verstärkungslernens mit dem A*-Algorithmus, was die Anzahl der Pfadkonflikte in der Multi-Roboter-Pfadplanung effektiv reduziert und die gesamte Navigationszeit verbessert. Darüber hinaus verwendeten wir den Algorithmus für reziproke Geschwindigkeitshemmnisse für die lokale Pfadplanung im Roboter, kombiniert mit der vorgeschlagenen globalen Pfadplanung, um eine vollständige und effektive Multi-Roboter-Navigation zu erreichen. Einige Simulationsergebnisse in NVIDIA Isaac Sim zeigen, dass für 1000 Multi-Roboter-Navigationsaufgaben die maximale Anzahl an reduzierten Pfadkonflikten 60.375 unter neun Simulationsbedingungen beträgt.