MARC

 008250123s2024        us                              c    eng  d
■001000017163943
■00520250211152812
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346567592
■035    ▼a(MiAaPQ)AAI31558106
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a629.8
■1001  ▼aZhang,  Tianpeng.▼0(orcid)0000-0001-8700-8715
■24510▼aMulti-Agent  Motion  Planning  for  Collaborative  and  Large-Scale  Applications
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a158  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Li,  Na.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aIntegrating  multirobot  systems  into  applications  such  as  automated  warehouses,  environmental  monitoring,  and  other  complex  domains  has  revolutionized  various  aspects  of  the  modern  world.  These  systems,  however,  bring  forth  significant  challenges.  One  of  the  primary  challenges  in  multirobot  systems  is  enabling  decentralized  collaboration.  In  scenarios  where  robots  must  operate  independently  without  a  central  controller,  achieving  effective  coordination  becomes  difficult  due  to  limited  global  information,  communication  constraints,  and  the  dynamic  nature  of  the  environment.  Another  significant  challenge  lies  in  the  motion  planning  of  a  large  number  of  robots  in  continuous  environments.  As  the  number  of  robots  increases,  so  does  the  complexity  of  finding  safe  and  efficient  trajectories  through  dynamic,  obstacle-laden  spaces.This  dissertation  focuses  on  creating  practical  solutions  to  address  these  challenges,  which  are  crucial  for  effectively  deploying  multirobot  systems  in  real-world  environments.  To  tackle  decentralized  collaboration,  this  work  develops  a  consensus  based  approach  that  enables  robots  to  coordinate  effectively  despite  limited  global  information  and  communication  constraints.  To  ensure  safety  and  efficient  planning  in  the  continuous  environment,  this  dissertation  introduces  a  Mixed  Integer  Linear  Programming  (MILP)  framework  and  techniques  that  improve  its  computational  efficiency.  A  novel  hybrid  graph  representation  of  the  environments  is  proposed  to  achieve  faster  computation  than  fully  continuous  planning,  and  a  safe-interval  motion  planning  algorithm  is  designed.  To  manage  a  large  number  of  agents  in  the  continuous  space,  a  traffic-aware  two  level  strategy  is  developed.  The  effectiveness  of  these  methods  is  demonstrated  through  extensive  simulations  and  real-world  experiments,  proving  their  potential  for  collaborative  and  largescale  applications.The  structure  of  the  dissertation  is  as  follows:Chapter  1  introduces  the  key  challenges  in  multiagent  motion  planning  and  decentralized  collaboration,  outlining  the  motivation  behind  the  research  and  its  relevance  to  real-world  applications.Chapter  2  introduces  a  consensus-based  framework  that  allows  robots  to  collaborate  effectively  without  relying  on  a  central  controller.  This  framework  employs  distributed  estimation  and  control  techniques,  enabling  each  robot  to  make  decisions  based  on  local  information  while  contributing  to  the  overall  system's  goals.  The  chapter  demonstrates  the  effectiveness  of  the  proposed  method  through  simulations  and  real-world  experiments.Chapter  3  presents  a  mixed-integer  linear  programming  (MILP)  approach  to  optimizing  the  trajectories  of  multiple  robots  navigating  through  environments,  ensuring  that  the  generated  paths  are  both  safe  and  efficient.  This  chapter  also  introduces  techniques  to  enhance  computational  efficiency,  making  the  approach  feasible  for  real-time  applications  in  largescale  robotic  systems.Chapter  4  introduces  a  hybrid  graph-based  environment  representation  that  lies  between  discrete  and  continuous  representations.  This  hybrid  approach  leverages  the  strengths  of  each  representation,  allowing  for  faster  computation  and  more  scalable  solutions  without  compromising  the  quality  of  the  solution.Chapter  5  explores  a  traffic-aware  planning  strategy  with  a  dual-level  approach.  High-level  planning  minimizes  congestion  by  intelligently  routing  robots  through  the  environment,  while  low-level  tracking  ensures  precise  and  collision-free  movement.  Simulations  demonstrate  the  effectiveness  of  this  method  in  100-agent  experiments.
■590    ▼aSchool  code:  0084.
■650  4▼aRobotics
■650  4▼aEngineering
■650  4▼aApplied  mathematics
■653    ▼aAutomated  warehouses
■653    ▼aEnvironmental  monitoring
■653    ▼aIntegrating  multirobot  systems
■653    ▼aMixed  Integer  Linear  Programming
■653    ▼aTraffic-aware  planning
■690    ▼a0771
■690    ▼a0800
■690    ▼a0537
■690    ▼a0364
■71020▼aHarvard  University▼bEngineering  and  Applied  Sciences  -  Applied  Math.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163943▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books