Управление группой складских коботов при совместном переносе груза по различным типам поверхности

Управление движением группы мобильных роботов, совместно транспортирующих груз в условиях неоднородности характеристик опорных поверхностей, представляет собой сложную задачу. Основная трудность заключается в необходимости одновременного удовлетворения противоречивых требований: безопасного обхода препятствий, сохранения групповой формации, минимизации времени или длины маршрута, а также учета динамических ограничений, накладываемых изменяющимися свойствами грунта. В статье предложен гибридный метод, преодолевающий фундаментальные ограничения существующих подходов, такие как низкая скорость методов на основе выборки (RRT), нестрогое соблюдение ограничений в обучении с подкреплением (RL) и жесткие требования к гладкости в классических методах оптимального управления. Ключевая идея метода заключается в комбинации оптимального управления и машинного обучения, где нейросетевая модель аппроксимирует целевую функцию, что является более универсальным подходом по сравнению с аппроксимацией моделей динамики или среды. Исследуются две стратегии обучения: с учителем для точного воспроизведения целевой функции и с подкреплением (алгоритм DDPG) для ее гибкого определения через функцию вознаграждения. Ограничения, включая предельные ускорения, зависящие от типа поверхности, задаются аналитически с использованием сглаженного дискретного пространства и билинейной интерполяции. Для решения оптимизационной задачи применяется быстрый решатель FATROP, интегрированный с фреймворком автоматического дифференцирования CasADi. Результаты моделирования демонстрируют, что предложенный метод превосходит предыдущую реализацию на основе RRT*, сокращая время расчета траектории в 58 раз и уменьшая время прохождения пути на 20 %. Эксперименты также показали, что обучение с подкреплением позволяет гибко менять цель оптимизации, находя более короткий маршрут (8,9 м против 9,4 м) ценой незначительного увеличения времени движения. Решатель FATROP оказался на 22 % быстрее традиционного IPOPT. Полученные результаты подтверждают перспективность гибридного подхода для задач планирования движения групп роботов, позволяя учитывать сложные нелинейные зависимости без существенного снижения производительности.

1. Galyaev A. A., Lysenko P. V., Yakhno V. P. 2D Optimal Trajectory Planning Problem in Threat Environment for UUV with Non-Uniform Radiation Pattern // Sensors. 2021. Vol. 21, N. 2. P. 396. DOI: 10.3390/s21020396.

2. Мещеряков Р. В., Кутахов В. П. Управление групповым поведением беспилотных летательных аппаратов: постановка задачи применения технологий искусственного интеллекта // Проблемы управления. 2022. № 1. С. 67—74.

3. Webb D. J., van den Berg J. Kinodynamic RRT*: Asymptotically optimal motion planning for robots with linear dynamics // IEEE International Conference on Robotics and Automation. 2013. P. 5054—5061. DOI: 10.1109/ICRA.2013.6631299.

4. Ермолов И. Л., Лапин Б. С. Распределенное планирование движения для группы совместно переносящих груз роботов с учетом свойств опорных поверхностей // Мехатроника, автоматизация, управление. 2023. Т. 24, № 6. С. 327—334. DOI: 10.17587/mau.24.327-334.

5. Wachter A., Biegler L. T. On the Implementation of a Primal-Dual Interior Point Filter Line Search Algorithm for Large-Scale Nonlinear Programming // Mathematical Programming. 2006. Vol. 106, N. 1. P. 25—57. URL: http://www.optimization-online.org/DB_HTML/2004/03/836.html.

6. Vanroye L., Sathya A., De Schutter J., Decre W. FATROP: А Fast Constrained Optimal Control Problem Solver for Robot Trajectory Optimization and Control // 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2023. P. 10036—10043. DOI: 10.1109/IROS55552.2023.10342336. URL: https://arxiv.org/abs/2303.16746.

7. Salzmann T., Jon Arrizabalaga J., Joel Andersson J., Pavone M., Ryll M. Learning for CasADi: Data-driven Models in Numerical Optimization // Proceedings of Machine Learning Research. 2024. P. 1—13. URL: https://arxiv.org/abs/2312.05873.

8. Alhaddad M., Mironov K., Staroverov A., Panov А. Neural Potential Field for Obstacle-Aware Local Motion Planning // IEEE International Conference on Robotics and Automation (ICRA). 2024. URL: https://arxiv.org/abs/2310.16362.

9. Bikram P., Ashutosh G., Mohitvishnu S. G., Addison J., Aayam K. S., Helei D., Jeremy D., Alan F. Learning Decentralized Multi-Biped Control for Payload Transport // 8th Annual Conference on Robot Learning. 2024. URL: https://arxiv.org/abs/2406.17279v2.

10. Каляев И. А., Гайдук А. Р., Капустян С. Г. Модели и алгоритмы коллективного управления в группах роботов. М.: Физматлит, 2009. 278 с.

11. Lillicrap T. P., Hunt J. J., Pritzel A., Heess N., Tom Erez T., Tassa Y., Silver D., Wierstra D. Continuous control with deep reinforcement learning. 2019. URL: https://arxiv.org/abs/1509.02971

12. Andersson J. A. E., Gillis J., Horn G., Rawlings J. B., Diehl M. CasADi: a software framework for nonlinear optimization and optimal control // Mathematical Programming Computation. 2019. N. 11. P. 1—36. URL: https://doi.org/10.1007/s12532-018-0139-4

13. Paszke A., Gross S., Massa F., Lerer A., Bradbury J., Chanan G., Killeen T., Lin Z., Gimelshein N., Antiga L., Desmaison A., Köpf A., Yang E., DeVito Z., Raison M., Tejani A., Chilamkurthy S., Steiner B., Fang L., Bai J., Chintala S. PyTorch: An Imperative Style, High-Performance Deep Learning Library. 2019. URL: https://arxiv.org/abs/1912.01703.

14. Raffin A., Hill A., Gleave A., Kanervisto A., Ernestus M., Dormann N. Stable-baselines3: reliable reinforcement learning implementations // The Journal of Machine Learning Research. 2021. Vol. 22, N. 1. P. 12348—12355. URL: https://dl.acm.org/doi/abs/10.5555/3546258.3546526