近日，全球AMR引領(lǐng)者極智嘉(Geek+)聯(lián)合香港大學(xué)提出全新適用工業(yè)場景的多機(jī)器人路徑規(guī)劃算法，并在云計算與智能系統(tǒng)國際會議IEEE CCIS上成功發(fā)表論文，科研實力再獲權(quán)威堅實認(rèn)證。

該創(chuàng)新算法側(cè)重考慮機(jī)器人運動不確定性的多機(jī)器人路徑規(guī)劃問題，并提出相應(yīng)的最優(yōu)算法決策，這使算法得以更加適配實際工業(yè)應(yīng)用場景，為學(xué)術(shù)研究與工業(yè)應(yīng)用之間搭建起落地橋梁，推動人工智能領(lǐng)域朝實用方向發(fā)展。

效率瓶頸全鏈路感知

在線學(xué)習(xí)自適應(yīng)規(guī)劃

智能AMR集群路徑規(guī)劃算法是保證機(jī)器人集群系統(tǒng)高效運轉(zhuǎn)的重要支撐。傳統(tǒng)規(guī)劃算法通常假設(shè)AMR具有固定的移動速度，忽略了AMR運行速度的不確定性。這種簡化的假設(shè)可以大大降低系統(tǒng)模型的復(fù)雜度并減少運算耗時度，然而同樣會帶來大量規(guī)劃結(jié)果與AMR實際行走的沖突，導(dǎo)致算法結(jié)果無法應(yīng)用于實際場景。

事實上，實際的AMR應(yīng)用場景中存在著多種不確定性。例如，自身定位不準(zhǔn)確及周圍環(huán)境建模不完備、AMR速度的時變性和不確定性等。本論文主要針對AMR速度的時變性和不確定性，通過對不確定性的數(shù)學(xué)建模以及重規(guī)劃時機(jī)的選取配合，更好的規(guī)劃出高冗余度的路徑行走方案并隨時跟進(jìn)更新保持不確定性的范圍可控。

論文提出的算法具備普適性、可并行、且可解釋性強(qiáng)，更加適用于工業(yè)現(xiàn)場，已經(jīng)成功應(yīng)用于極智嘉全柔性倉儲物流以及工業(yè)搬運解決方案。

▲ 極智嘉提供覆蓋倉儲及制造的全品類機(jī)器人產(chǎn)品

算法成果詳解

整個算法由三個模塊組成，分別是路徑規(guī)劃模塊、沖突檢測模塊、重規(guī)劃模塊。建模不確定性的關(guān)鍵在于路徑規(guī)劃模塊，論文將其建模為基于正態(tài)分布的沖突概率計算損失函數(shù)(圖1)，并將其與經(jīng)典的A*算法相結(jié)合。這是來源于實踐且非常有效的方法，直覺上可認(rèn)為機(jī)器人在一定時長內(nèi)的行走通常是可預(yù)測的，自主行走時長越長預(yù)測偏差越大。通過這個損失函數(shù)，路徑規(guī)劃的計算中將更側(cè)重于初期的路徑結(jié)果，為每一個AMR規(guī)劃出初期沖突盡可能少的路徑。

▲圖1 基于正態(tài)分布的沖突概率計算損失函數(shù)

然而，這種基于概率的方法并不能消除所有的沖突，并且速度的不確定性會不斷產(chǎn)生新的沖突。為了解決這些問題，論文提供了另外兩個模塊。沖突檢測及重規(guī)劃模塊基于規(guī)則定期檢測存在沖突的AMR并重新規(guī)劃路徑。當(dāng)多個AMR同時預(yù)留同一節(jié)點時，調(diào)度模塊確定預(yù)留的優(yōu)先級。

▲圖2 常見的多機(jī)器人沖突形式

實驗結(jié)果

論文將所提出的算法含有80個智能體的30×30的網(wǎng)格地圖中進(jìn)行測試，測試環(huán)境如下圖3所示。

▲圖3 算法測試環(huán)境

本文講所提出的算法與其他三個工業(yè)上常用的算法進(jìn)行了定量化的對比：所提出算法（PA）、具有不同損失函數(shù)計算方式的算法（ADCC）、合作A*算法（CA）、基于優(yōu)先級搜索（PBS）。極智嘉使用這四種算法在進(jìn)行測試，實驗結(jié)果如表1和圖2所示。多次實驗結(jié)果表明其性能大幅領(lǐng)先（圖4，圖5）。

▲圖4 四種算法在不同下完成時間的平均值

▲圖5 四種算法在不同v下完成時間的箱線圖 (a) v=1, (b) v∈[0.5,1], (c) v∈[0,1], (d) v=0.5, (e) v∈[0,0.5]

關(guān)于IEEE CCIS 2022

第八屆IEEE云計算與智能系統(tǒng)國際會議作為連接智能計算領(lǐng)域?qū)W者和企業(yè)的橋梁，為促進(jìn)國內(nèi)外學(xué)者的交流提供了一個全球性的平臺。本屆大會涵蓋數(shù)據(jù)挖掘、深度學(xué)習(xí)、計算智能、計算機(jī)視覺等領(lǐng)域的熱點研究問題。