近日，全球AMR引領者極智嘉(Geek+)聯合香港大學提出全新適用工業場景的多機器人路徑規劃算法，并在云計算與智能系統國際會議IEEE CCIS上成功發表論文，科研實力再獲權威堅實認證。

該創新算法側重考慮機器人運動不確定性的多機器人路徑規劃問題，并提出相應的最優算法決策，這使算法得以更加適配實際工業應用場景，為學術研究與工業應用之間搭建起落地橋梁，推動人工智能領域朝實用方向發展。

效率瓶頸全鏈路感知

在線學習自適應規劃

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

事實上，實際的AMR應用場景中存在著多種不確定性。例如，自身定位不準確及周圍環境建模不完備、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學建模以及重規劃時機的選取配合，更好的規劃出高冗余度的路徑行走方案并隨時跟進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，更加適用于工業現場，已經成功應用于極智嘉全柔性倉儲物流以及工業搬運解決方案。

▲ 極智嘉提供覆蓋倉儲及制造的全品類機器人產品

算法成果詳解

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

▲圖1 基于正態分布的沖突概率計算損失函數

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。沖突檢測及重規劃模塊基于規則定期檢測存在沖突的AMR并重新規劃路徑。當多個AMR同時預留同一節點時，調度模塊確定預留的優先級。

▲圖2 常見的多機器人沖突形式

實驗結果

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

▲圖3 算法測試環境

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

關于IEEE CCIS 2022

第八屆IEEE云計算與智能系統國際會議作為連接智能計算領域學者和企業的橋梁，為促進國內外學者的交流提供了一個全球性的平臺。本屆大會涵蓋數據挖掘、深度學習、計算智能、計算機視覺等領域的熱點研究問題。