基于深度先验引导鲸鱼优化的多机器人应急事件生成式实时规划

《Frontiers in Robotics and AI》:Generative real-time planning for multi-robot contingencies using deep prior-guided whale optimization

【字体: 大 中 小 】 时间:2026年09月19日 来源:Frontiers in Robotics and AI 3.7

编辑推荐:

  摘要专业翻译 引言: 动态多机器人协调要求对随机扰动具备实时韧性,然而现有规划方法在高维状态转移的计算负担下往往难以胜任。为应对这一挑战,研究人员提出了一种生成式实时任务规划框架,该框架将深度先验学习与自适应进化优化相结合。 方法: 通过采用减法平均优化器(S

  
摘要专业翻译 引言: 动态多机器人协调要求对随机扰动具备实时韧性,然而现有规划方法在高维状态转移的计算负担下往往难以胜任。为应对这一挑战,研究人员提出了一种生成式实时任务规划框架,该框架将深度先验学习与自适应进化优化相结合。 方法: 通过采用减法平均优化器(SABO)对长短期记忆(LSTM)网络进行调参,研究人员提取了深度时空先验,将离散应急事件映射至连续成本区间,有效压缩了可行搜索空间。在此精化子空间内,研究人员部署了经目标间隙自适应控制和逐维对立学习增强的引导鲸鱼优化算法(GWOA),以执行精确的计划再生。 结果: 在从风险诱发终止到智能体瘫痪的六种不同应急场景中的验证表明,所提出的方法优于传统的重分配基线方法,实现了快速响应和优越的解决方案稳定性。该框架还在涉及多达1000个智能体的大规模场景中展现了可扩展性。 讨论: 这些结果表明,将深度时空先验学习与自适应进化优化相结合,可以在保持响应性、稳定性和可扩展性的同时,有效降低任务重规划的计算负担,为在不可预测环境中实现韧性的多机器人管理提供了一种稳健的方法。

论文解读文章

一、研究背景与问题

多机器人系统已成为现代自动化领域的基石,在复杂物流、灾害响应和行星探索等任务中发挥着日益重要的作用。通过将任务分布到异构智能体上,这类系统能够实现远超个体能力之和的整体效能。然而,从受控的静态环境向随机真实世界场景的过渡引入了不确定性,成为关键的运行瓶颈。在动态环境中,任务执行频繁受到不可预见的应急事件干扰,包括智能体突然瘫痪、通信带宽波动以及高优先级任务的突然注入。因此,实时重构任务计划、在确保可行性和最优性的同时抑制系统级扰动的能力,已成为韧性自主系统的核心问题。
该问题的根本挑战在于动态重分配的计算不可解性。在复杂时空约束下的多机器人任务分配本质上是一个NP难问题。传统精确求解器虽然精度高,但存在指数级时间复杂度,在大规模场景中无法用于实时决策。相反,启发式方法和周期性重分配策略往往以牺牲解质量为代价换取速度,导致资源利用次优或产生蝴蝶效应——局部扰动可能级联为系统级重组。尽管深度强化学习的最新进展提供了有前景的端到端响应能力,但在状态空间维度发生突变时,这类方法在可解释性和泛化性方面存在明显不足。因此,迫切需要一种能够将基于学习的推理速度与组合优化的精度相结合的框架。

二、研究内容与结论

针对上述挑战,研究人员提出了一种生成式实时任务规划框架,旨在数秒内解决多机器人应急事件,兼具响应性和可扩展性。该框架支持快速事件触发式重规划,在小规模场景中实现亚秒级响应,在大规模场景中实现秒级响应。与传统从零开始重启优化的方法不同,该方法将应急处理视为先验驱动的生成式搜索过程,利用深度时空先验生成可行性边界、成本区间和受限决策子空间,从而在经验上缩减后续优化的有效搜索空间。
研究人员引入了一种将问题解耦为降维和精确执行两个层面的分层架构。在宏观层面,采用减法平均优化器(SABO)自主调参长短期记忆(LSTM)网络,从系统状态流中快速提取潜在特征,将离散应急事件映射至连续成本区间,通过滤除不可行区域有效压缩搜索空间。在此精化子空间内,部署引导鲸鱼优化算法(GWOA)执行计划再生,通过目标间隙自适应控制和逐维对立学习克服标准元启发式算法的早熟收敛问题,平衡全局探索与局部开发。
研究在六种不同的应急场景中对该框架进行了严格验证。仿真结果表明,该模型能够在数秒内实现稳健重构,即使在大规模压力测试中也能保持运行稳定性。该工作为韧性多机器人系统协调建立了有效范式,证明深度学习先验与进化优化的协同作用可以通过在随机环境中经验性地缩减有效搜索空间来缓解实际维度负担。

三、关键技术方法

研究人员采用的主要关键技术方法包括:第一,减法平均优化器(SABO)用于自主调参长短期记忆(LSTM)网络,以提取深度时空先验;第二,深度先验机制将离散应急事件映射至连续成本区间,生成可行性感知的成本区间和受限决策子空间,有效压缩组合搜索空间;第三,引导鲸鱼优化算法(GWOA)在精化子空间内执行计划再生,通过目标间隙自适应控制与逐维对立学习增强全局探索与局部开发的平衡;第四,分层架构将问题解耦为宏观层面的维度缩减与微观层面的精确执行两个阶段。

四、研究结果

风险诱发终止(er): 通过风险阈值过滤器移除执行过程中被识别为高风险的订单,任务集缩减后触发重规划。研究验证了该框架在任务集收缩场景下快速生成可行新计划的能力。
相关性丧失(el): 因动态环境更新导致某些任务失去运行价值时,通过实时价值函数识别并移除这些任务。研究证明了框架在任务价值归零场景下的适应能力。
约束突变(ec): 现有订单的运行约束发生突变(如飞行时间窗口缩短),通过参数更新映射实现约束调整。研究验证了框架在约束收紧条件下仍能保持计划可行性的能力。
依赖注入(en): 新的高优先级订单或依赖任务被注入任务池,决策矩阵维度从M×N扩展至M×(N+k)。研究证明了框架在状态空间维度增长时的重规划能力。
关键性升级(ei): 某些标准任务被重新指定为关键任务,权重参数发生离散跳变(wj(t+Δ)=α·wj(t),α?1)。研究验证了框架在任务优先级突变下的资源重分配能力。
智能体瘫痪(ef): 一个或多个智能体发生硬件故障,可用资源集收缩,原分配给瘫痪智能体的任务被释放回未分配池。研究证明了框架在资源缩减场景下重新分配任务的能力。

五、讨论与结论

讨论部分总结: 研究结果表明,将深度时空先验学习与自适应进化优化相结合,能够有效降低任务重规划的计算负担,同时保持响应性、稳定性和可扩展性。该框架的核心贡献不在于单个组件,而在于将深度先验估计与进化优化分层整合为统一的决策管线,用于动态搜索空间重构。与现有混合方法通常利用神经预测器为元启发式优化器提供初始解或启发式估计不同,该框架生成可行性感知的决策流形和成本先验,使优化器能够在动态约束子空间而非完整组合域中运行。
结论翻译: 这些结果表明,将深度时空先验学习与自适应进化优化相结合,可以有效降低任务重规划的计算负担,同时保持响应性、稳定性和可扩展性,为在不可预测环境中实现韧性的多机器人管理提供了一种稳健的方法。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号