Multi-modal, Multi-robot, Multi-goal Motion Planning Benchmark

本研究构建了一个包含21个基础场景的多模态、多机器人、多目标运动规划基准数据集，旨在解决多机器人系统在连续空间中进行多任务规划的问题。数据集涵盖了各种机器人、规划范围和协作任务，如物体交接等。该数据集可供进一步调整难度，通过改变机器人和任务的数量来实现。

This study constructs a multimodal, multi-robot, multi-objective motion planning benchmark dataset containing 21 basic scenarios, aiming to address the challenges of multi-task planning for multi-robot systems in continuous spaces. The dataset covers diverse robot platforms, planning scopes and collaborative tasks such as object handover. Its difficulty level can be further adjusted by modifying the number of robots and tasks.

搜集汇总

数据集介绍

构建方式

本数据集的构建方式是将多机器人、多目标、多模态路径规划问题形式化为单个路径规划问题，并引入了一个包含多种问题实例的基准测试。这些实例包括具有不同机器人数量、规划范围和协作任务（如物品交接）的场景。为了解决规划问题，该数据集还调整了RRT*和PRM*规划器，使其能够在所有机器人的复合空间中工作，并引入了必要的更改以适应新的设置。

特点

该数据集的特点包括：1）不限于离散的二维工作空间；2）支持环境变化；3）适用于具有不同约束和多个目标的异构机器人团队。数据集提供了一个开源的、易于访问的多模态、多机器人、多目标运动规划基准测试，包含21个不同的基本场景，每个场景最多有74个子目标，可以通过更改机器人和任务数量来进一步调整难度。

使用方法

使用该数据集的方法包括：1）下载基准测试和相关代码；2）在Python环境中运行代码，并使用RAI2后端进行计算；3）通过调整场景参数来测试不同的规划策略；4）使用提供的RRT*和PRM*规划器作为基线，评估其他规划器的性能；5）分析实验结果，了解不同规划方法在多机器人、多目标、多模态路径规划问题上的表现。

背景与挑战

背景概述

在工业机器人应用中，多台机器人在共享的工作空间中协同工作，以尽可能快地完成任务，这是一个日益重要的领域。Hartmann等人于2025年提出了一个名为Multi-modal, Multi-robot, Multi-goal Motion Planning Benchmark的数据集，旨在解决这类多模态、多机器人、多目标路径规划问题。该数据集由ETH Zurich的Computational Robotics Lab (CRL)创建，其核心研究问题是如何在连续空间中为每个机器人找到一条通过一系列目标的路径，同时最小化成本（例如，最小化所有机器人的最迟完成时间），并确保路径无碰撞。该数据集对相关领域产生了重要影响，因为它提供了一个包含多种场景的基准，可以用于评估和比较不同的规划算法。

当前挑战

尽管Multi-modal, Multi-robot, Multi-goal Motion Planning Benchmark数据集在解决多机器人多目标路径规划问题方面取得了进展，但仍面临一些挑战。首先，数据集中的规划问题在解决领域问题（例如，最小化所有机器人的最迟完成时间）时，需要考虑到机器人的相互干扰和环境变化。其次，在构建过程中，规划器需要在复合空间中进行规划，这增加了状态空间的维度，导致规划器难以扩展到大量的机器人和目标。此外，数据集中的规划器在连续配置空间中工作，这意味着它们需要处理更多的约束和复杂性，例如，不同模式下活动的不同约束集。最后，规划器需要处理异构机器人团队，这些团队在多个模式下具有不同的约束和多个目标，这增加了问题的复杂性。

常用场景

经典使用场景

在多机器人协同作业中，该数据集被广泛用于评估和改进路径规划算法的性能。其经典使用场景包括但不限于：多个机器人在共享工作空间中完成一系列任务，如搬运、组装或排序物体。这些任务通常需要机器人以特定的顺序访问多个目标点，同时避免相互之间的碰撞。数据集中的问题实例涵盖了各种机器人数量、规划范围和协作任务，如物体交接等。

解决学术问题

该数据集解决了多机器人多目标路径规划问题中的挑战，包括但不限于：如何在连续空间中为每个机器人找到一条无碰撞的路径，这些路径通过一系列目标点，同时最小化成本（例如，最小化所有机器人的最晚完成时间）。现有方法通常使用优先级排序或假设任务同步完成，因此既不最优也不完整。该数据集通过将问题形式化为一个单一路径规划问题，并提供了一系列具有挑战性的问题实例，为研究者和开发者提供了一个基准来测试和改进他们的路径规划算法。

衍生相关工作

该数据集衍生了多项相关工作，包括但不限于：基于RRT*和PRM*规划器的多机器人多目标路径规划算法，以及针对多目标运动规划问题的路径后处理方法。这些工作不仅提供了该数据集的基准算法，还为研究者和开发者提供了改进和扩展路径规划算法的思路。此外，该数据集还促进了多机器人多目标路径规划问题的研究，推动了该领域的发展。