Apprentissage des prévisions de trajectoire sensibles à l'interaction pour la planification de mouvement multi-robots décentralisée dans des environnements dynamiques

Cette lettre présente une approche d'optimisation de trajectoire décentralisée basée sur les données pour la planification de mouvement multi-robots dans des environnements dynamiques. Lorsqu'ils naviguent dans un espace partagé, chaque robot a besoin de prévisions de mouvement précises des robots voisins pour éviter les collisions de manière prédictive. Ces prévisions de mouvement peuvent être obtenues entre les robots en partageant leurs trajectoires futures planifiées via la communication. Cependant, une telle communication peut ne pas être disponible ni fiable en pratique. Dans cette lettre, nous introduisons un nouveau modèle de prédiction de trajectoire basé sur des réseaux de neurones récurrents (RNN) qui peut apprendre les comportements de mouvement multi-robots à partir de trajectoires démontrées générées en utilisant un planificateur séquentiel centralisé. Le modèle appris peut fonctionner efficacement en ligne pour chaque robot et fournir des prévisions de trajectoire sensibles à l'interaction de ses voisins en fonction des observations de leurs états historiques. Nous intégrons ensuite le modèle de prédiction de trajectoire dans un cadre de contrôle prédictif décentralisé (MPC) pour éviter les collisions multi-robots. Les résultats de simulation montrent que notre approche décentralisée peut atteindre un niveau de performance comparable à un planificateur centralisé tout en étant sans communication et évolutive à un grand nombre de robots. Nous validons également notre approche avec une équipe de quadrirotors dans des expériences réelles.