GLAS：基于端到端学习的多机器人运动规划全局到局部安全自治综合

我们介绍了GLAS：全局到局部自治综合，这是一种用于多机器人运动规划的可证明安全、自动化的分布式策略生成。我们的方法结合了集中规划避免局部极小值的优点，以及分散控制器的可扩展性和分布式计算的优点。特别是，我们的综合策略只需要附近邻居和障碍物的相对状态信息，并计算可证明安全的行动。我们的方法有三个主要组成部分：i）我们使用全球规划师生成演示轨迹，并从中提取局部观察结果；ii）我们使用深度模仿学习来学习一个可以在网上高效运行的分散策略；以及iii）我们引入一个新的可微安全模块，以确保无碰撞操作，从而允许进行端到端的政策培训。 我们的数值实验表明，在各种机器人和障碍物密度范围内，我们的策略比最优互惠避碰策略ORCA的成功率高20%。我们在空中群集上演示了我们的方法，在低端微控制器上实时执行策略。 索引术语分布式机器人系统，多移动机器人或代理的路径规划，模仿学习 在这项工作中，我们提出了一种新的多机器人运动规划方法GLAS，它结合了现有集中式和分布式方法的优点。与传统的分布式方法不同，GLAS在许多情况下避免了局部极小值。与现有的集中式方法不同，GLAS只需要局部相对状态观测，可以在船上测量，