혼잡 환경에서의 다중 로봇 시스템을 위한 웨이포인트 기반의 이중 레벨 계획

Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems

혼잡한 환경에서의 다중 로봇 제어는 로봇 간 충돌, 로봇-장애물 충돌, 그리고 불가능한 동작과 같은 복잡한 물리적 제약 요소를 포함하는 어려운 문제입니다. 이러한 환경에서 성공적인 계획 수립을 위해서는 고수준의 작업 계획과 저수준의 동작 계획에 대한 공동 최적화가 필요합니다. 왜냐하면 물리적 제약 위반은 어느 한 단계의 실패에서도 발생할 수 있기 때문입니다. 그러나 저수준 동작 경로의 복잡한 파라미터화와 두 가지 계획 레벨 간의 책임 할당 모호성으로 인해 작업 및 동작 계획을 공동으로 최적화하는 것은 어렵습니다. 본 논문에서는 작업 및 동작 계획을 공동으로 최적화하는 하이브리드 다중 로봇 제어 프레임워크를 제안합니다. 저수준 계획의 효과적인 파라미터화를 가능하게 하기 위해, 우리는 동작 경로에 대한 간단하면서도 표현력이 뛰어난 방법인 웨이포인트를 도입합니다. 책임 할당 문제를 해결하기 위해, 우리는 운동 가능성 피드백을 동작 계획기에서 작업 계획기로 전달하는 수정된 RLVR 알고리즘을 사용하는 커리큘럼 기반 학습 전략을 채택했습니다. BoxNet3D-OBS라는, 밀집된 장애물과 최대 9개의 로봇을 포함하는 어려운 다중 로봇 벤치마크에 대한 실험 결과, 제안하는 방법이 동작에 대한 고려가 없는 기존 방법 및 VLA 기반 방법보다 작업 성공률을 지속적으로 향상시키는 것을 보여줍니다. 저희의 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/UCSB-NLP-Chang/navigate-cluster

Multi-robot control in cluttered environments is a challenging problem that involves complex physical constraints, including robot-robot collisions, robot-obstacle collisions, and unreachable motions. Successful planning in such settings requires joint optimization over high-level task planning and low-level motion planning, as violations of physical constraints may arise from failures at either level. However, jointly optimizing task and motion planning is difficult due to the complex parameterization of low-level motion trajectories and the ambiguity of credit assignment across the two planning levels. In this paper, we propose a hybrid multi-robot control framework that jointly optimizes task and motion planning. To enable effective parameterization of low-level planning, we introduce waypoints, a simple yet expressive representation for motion trajectories. To address the credit assignment challenge, we adopt a curriculum-based training strategy with a modified RLVR algorithm that propagates motion feasibility feedback from the motion planner to the task planner. Experiments on BoxNet3D-OBS, a challenging multi-robot benchmark with dense obstacles and up to nine robots, show that our approach consistently improves task success over motion-agnostic and VLA-based baselines. Our code is available at https://github.com/UCSB-NLP-Chang/navigate-cluster