Primitive-Swarm 研究学术报告

本报告旨在向国内研究人员介绍由 Jialiang Hou、Xin Zhou、Neng Pan、Ang Li、Yuxiang Guan、Chao Xu、Zhongxue Gan 及 Fei Gao 等学者合作完成，并于2025年发表在 IEEE Transactions on Robotics 第41卷上的一项原创性研究成果。这项研究隶属于机器人学、特别是自主机器人与集群机器人（Swarm Robotics）领域，其核心贡献在于提出了一种名为“Primitive-Swarm”的超轻量级、可扩展规划器，旨在解决大规模自主无人机集群在密集、未知环境中实现高效、安全、实时协同导航的关键难题。

一、 研究的学术背景与目标

无人机集群因其在物流、交通管理、环境监测等领域的巨大潜力而成为研究热点。然而，实现大规模（例如数百甚至上千架）无人机集群的自主运行面临着一个根本性的矛盾：如何在保证计算效率（实时性）的同时实现系统的可扩展性（Scalability）。现有主流方法，无论是集中式规划还是分散式优化，都存在各自的局限。集中式方法（如 RBP）计算复杂度随机器人数量剧增，且依赖全局定位与环境先验信息，难以实现真正的完全自主与扩展。分散式优化方法（如 EGO-Swarm、MINCO-Swarm）虽然将计算任务分摊给每个个体，但其核心是基于非线性优化的轨迹生成，需要在线的复杂环境表征（如膨胀地图构建）以及对非凸、不连续高维空间的迭代求解。这导致在面对密集障碍物和大量机器人间交互时，优化过程容易陷入局部最优、失败，且在线计算负担重，限制了集群规模。此外，许多基于运动基元（Motion Primitives）的规划方法虽然通过采样简化了规划问题，但其基元库通常缺乏时间最优性，且在线碰撞检测的效率与基元数量线性相关，难以在资源受限的机载平台上使用大规模的基元库，从而牺牲了路径质量。

针对上述挑战，Primitive-Swarm 研究团队旨在开发一个颠覆性的规划框架，其核心目标是将高维、在线的轨迹优化问题转化为一个在线计算代价极低的“选择问题”。该研究致力于设计一个离线生成、包含时间最优且动力学可行轨迹的运动基元库，并配套开发一种与基元数量几乎无关的快速碰撞检测机制，从而使得每个机器人在每次重规划时，仅需从其庞大的备选轨迹库中“选择”一条安全且成本最低的轨迹执行。这种方法有望从根本上解决计算效率与可扩展性之间的矛盾。

二、 研究工作的详细流程

该研究的工作流程围绕 Primitive-Swarm 规划器的三个核心模块展开：离线运动基元库生成模块、快速碰撞检测模块以及在线局部重规划模块。

1. 离线运动基元库生成模块 * 研究目标/对象：生成一个共享的、包含大量时间最优且满足无人机动力学约束轨迹的基元库。研究对象是轨迹的几何形状和时间参数。 * 研究/处理过程： * 路径库生成（几何层面）：首先，研究构建了一个几何路径库。其方法是以一系列不同半径的圆弧（包括直线作为无穷大半径的特例）为基础，这些弧线均起始于局部坐标系原点，且初始方向与指定轴向（x轴）相切。通过设定不同的弧长、半径、初始俯仰角，并围绕 x 轴以固定角度间隔旋转这些弧线，可以生成大量（例如 73、109、181 条）在三维空间中均匀分布的几何路径。这些路径仅包含位置信息，没有时间属性。 * 路径参数化（时间层面）：这是本研究的核心创新点之一。为了使几何路径变成时间最优且动力学可行的轨迹，研究采用了基于可达性分析的时间最优路径参数化（Time-Optimal Path Parameterization based on Reachability Analysis, TOPP-RA）算法。该算法的输入是一条几何路径、指定的起点速度和终点速度（研究中终点速度设为0以保证稳定性）。其核心步骤是：1）将路径离散为多个点；2）将无人机的速度、加速度约束（如最大速度v_max、最大加速度a_max）转化为对路径参数（弧长s）及其一阶（s_dot，速度）、二阶（s_ddot，加速度）导数的线性约束；3）逆向计算可控集：从路径终点开始，逆向迭代计算每个离散点处满足所有约束并能到达终点的速度平方值（s_dot^2）的集合（即可控集）。这一过程通过求解一系列紧凑的线性规划（Linear Programming）问题实现；4）正向构造最优控制：从路径起点开始，在每一步都从当前点的可控集中“贪婪地”选择允许的最大加速度（s_ddot），以确保下一状态仍在可控集内，从而得到使总时间最短的速度和加速度序列。最终，利用这些最优控制序列为每条几何路径分配时间，生成时间最优的轨迹。研究针对不同的起点速度（如 0, 0.1, …, v_max m/s）重复此过程，进一步丰富了基元库。

2. 快速碰撞检测模块 * 研究目标/对象：高效处理机器人与障碍物、以及机器人与机器人之间的碰撞冲突，且计算成本与基元数量脱钩。研究对象是基元与周围空间的“占用关系”。 * 研究/处理过程： * 离线构建占用关系：这是本研究的另一大核心创新。在离线阶段，研究团队预先计算了一套索引系统。首先，将机器人可能运动的空间离散化为体素网格。然后，对于运动基元库中的每一条轨迹，以固定的时间分辨率进行密集采样，得到一系列带有时间戳的采样点。对于每一个网格，通过查询（使用 KD-Tree 加速）找出所有在特定安全距离内经过该网格的轨迹及其对应的时间区间。这里引入了两个关键概念：空间占用关系 和 时空占用关系。前者记录哪些轨迹的“空间管道”会覆盖某个网格，用于静态障碍物碰撞检测；后者额外记录了轨迹占用该网格的精确时间区间，用于动态的机器人间碰撞检测。这些关系被预先计算并存储。 * 在线机器人-障碍物碰撞检测：在线运行时，传感器（如深度相机）获取原始点云，经过随机下采样以固定点数。对于每个点云点，只需将其映射到对应的空间网格，然后通过查询预计算好的空间占用关系表，即可立即“批量”标记出所有会经过该网格的轨迹为“不安全”。此过程的时间复杂度仅与点云数量有关，而与基元库大小无关。 * 在线机器人-机器人碰撞检测：通过通信网络，每个机器人接收附近其他机器人未来一段规划时域内的轨迹信息。对于接收到的每一条他机轨迹，将其时间离散化。对于每个时间片和他机轨迹占据的网格，查询预计算好的时空占用关系表，找出所有会在相同时间区间内占据同一网格的自身轨迹，并将其标记为“不安全”。此过程的时间复杂度主要与附近机器人的数量和他机轨迹的复杂度有关，同样与自身基元库大小无关。

3. 在线局部重规划模块 * 研究目标/对象：在未知环境中，基于当前状态和环境感知，为每个机器人异步、分散地选择最优执行轨迹。研究对象是单个机器人的决策过程。 * 研究/处理过程： * 建立速度对齐坐标系：为了与离线基元库（所有基元起始于原点且初始速度方向与 x 轴对齐）匹配，每次重规划时，会以当前机器人的位置为原点，以当前速度方向为 x 轴，建立一个新的局部坐标系（速度对齐坐标系）。所有环境信息（障碍物点云、他机轨迹）都转换到此坐标系下。 * 轨迹选择：经过快速碰撞检测模块筛选后，得到一组“安全”的候选轨迹。研究定义了一个成本函数来评估每条安全轨迹，主要包括：目标接近成本（衡量执行该轨迹后，机器人位置与全局目标距离的缩短程度）和边界约束成本（惩罚终点超出规定飞行区域的轨迹）。权重可由用户定义。最后，简单地从安全轨迹中选择成本最低的一条作为新的执行轨迹。 * 滚动时域策略：规划器以固定的时间间隔或在检测到当前轨迹即将发生碰撞时触发重规划。每次只规划未来一个有限时域（由感知范围决定）内的局部轨迹，并不断重复此过程，直至到达全局目标。

三、 研究的主要结果

研究通过大量仿真和实物实验，对 Primitive-Swarm 的各项性能进行了全面验证，结果有力地支持了其设计目标。

1. 运动基元库质量验证：通过在不同障碍物密度环境下测试不同规模（37、61、109条轨迹）的基元库，发现基元数量过少会因灵活性不足导致成功率下降，而当基元数量增加到61条以上时，在各类环境中均能保持很高的成功率（>95%），证明了通过增加离线生成的、高质量的基元数量可以有效应对复杂环境。

2. 快速碰撞检测效率验证：

   • 机器人-障碍物碰撞检测：与传统方法（碰撞检测时间与基元数量呈线性增长）对比，Primitive-Swarm 的方法时间增长极为缓慢。在典型密集环境（占用率约15%）下，即使基元数量很多，碰撞检测时间也能保持在1毫秒以下（分辨率0.1米时约0.5毫秒，0.2米时低于0.2毫秒）。这证实了其计算成本与基元数量基本脱钩，主要取决于点云数量。
   • 机器人-机器人碰撞检测：在8架无人机交换位置的实验中，无论使用哪种规模的基元库，每架无人机平均的碰撞检测时间稳定在0.35-0.37毫秒之间，展示了算法在处理动态交互时的稳定高效性。

3. 单机器人性能对比：与 EGO-Planner、MINCO-Single 等先进的基于优化的局部规划器，以及基于采样的 MPL 等方法对比，Primitive-Swarm 在密集障碍物环境中生成的轨迹更为平滑、扭曲更少，并且能够更好地维持最大飞行速度（得益于时间最优基元）。其规划时间也极具竞争力。

4. 集群性能对比：

   • 无障碍物环境：与 RBP、EGO-Swarm、MADER、MINCO-Swarm 等方法对比，Primitive-Swarm 在8机位置交换任务中取得了最短的平均飞行时间和飞行距离，且计算时间远低于集中式的 RBP。
   • 有障碍物环境：与 EGO-Swarm、MINCO-Swarm、R-MADER、AMSwarmX 等方法对比。Primitive-Swarm 生成的轨迹形状最平滑。在成功率方面，在无人机数量（20-80）和障碍物数量（50-150）变化的多种配置下，Primitive-Swarm 保持了极高的成功率（接近100%），与表现最佳的 AMSwarmX 相当。最关键的是在计算效率上：Primitive-Swarm 的单次规划时间通常仅为其他对比方法的 三分之一甚至更少，在80机150障碍物的极端场景下优势尤为明显。这直接证明了其“将优化转为选择”思路带来的巨大效率提升。

5. 长时运行与大规模仿真验证：

   • 11小时连续飞行测试：20架无人机在随机生成的密集障碍物环境中连续执行随机目标点任务超过11小时。结果显示，99.1%的目标点在20秒内到达，99.94%在50秒内到达，验证了算法在长期运行中的稳定性和鲁棒性。
   • 1000架无人机超大规模仿真：这是该研究最引人注目的成果。在包含随机障碍物的环境中，1000架无人机成功完成了复杂的交叉飞行任务。所有无人机运行在独立的线程中，保持分散异步架构。即使在最密集的交汇阶段（每架无人机周围20米半径内有多达数百架其他无人机），系统仍能维持安全的机器间距离和障碍物距离，并实时运行。这充分证明了 Primitive-Swarm 前所未有的可扩展性。

6. 实物实验验证：研究在尺寸、重量和功率（SWaP）受限的真实四旋翼平台上部署了算法，分别进行了单机和8机双向交叉飞行的室内外实验。所有状态估计、规划、控制和通信均完全在板载计算机上运行，无需任何外部定位或计算设备，成功实现了在未知杂乱环境中的完全自主、分散、异步集群导航，验证了方法的可行性与工程实用性。

四、 研究的结论与价值

本研究的结论是：Primitive-Swarm 是一种革命性的、超轻量级且高度可扩展的集群规划器。它通过精心设计的离线时间最优运动基元库和创新的基于预计算占用关系的快速碰撞检测机制，成功地将大规模集群规划这一高维、非凸、强耦合的在线优化问题，解耦并简化为一系列线性复杂度的轨迹选择问题。

其科学价值在于：为解决集群机器人领域“计算效率”与“系统可扩展性”的根本矛盾提供了一条全新的技术路径。它突破了传统优化方法对良好初值和非凸问题求解能力的依赖，也超越了传统采样方法在在线计算和轨迹质量上的局限。

其应用价值巨大：Primitive-Swarm 使得在资源受限的嵌入式平台上实现成百上千架无人机在密集、未知环境中的实时、安全协同作业成为可能。这为未来超大规模无人机集群在物流配送、城市空中交通（UAM）、灾难救援、大规模测绘等领域的实际应用奠定了关键的技术基础。

五、 研究的亮点

1. 方法论的颠覆性创新：首次成功地将“离线生成高质量基元库”与“在线超高效碰撞检测/选择”深度融合，并系统性地应用于完全自主的大规模无人机集群，实现了从“在线优化”到“在线选择”的范式转变。
2. 核心技术贡献明确：
   • 时间最优运动基元库：利用 TOPP-RA 算法离线生成动力学可行且时间最优的轨迹，为在线选择提供了高质量候选解。
   • 快速碰撞检测方法：提出的空间与时空占用关系预计算及查询机制，使得碰撞检测成本与基元数量脱钩，这是实现超轻量级在线的关键。
   • 超轻量可扩展规划框架：上述两点结合，形成了整体框架，其计算复杂度低，且碰撞检测与轨迹选择完全解耦。
3. 验证的规模与全面性空前：研究不仅进行了详尽的基准对比，证明了其在轨迹质量、计算效率上的优势，更通过 1000架无人机 的实时仿真，实证了其无与伦比的可扩展性，这在现有公开研究中尚属首次。同时，11小时长时测试和真实世界实验进一步增强了结论的可信度。
4. 推动社区发展：作者承诺将代码开源，这将极大地促进集群机器人领域的研究合作与技术进步。

六、 其他有价值内容

研究在定性对比分析中，通过雷达图（图2）直观地展示了 Primitive-Swarm 在计算效率、可扩展性、轨迹质量和系统自主性四个维度上相较于其他 state-of-the-art 方法的综合优势。此外，论文对相关工作的梳理非常清晰（轨迹规划、运动基元方法、时间最优轨迹生成），并制作了详细的对比表格（表I，表II），为读者提供了全面的领域背景和技术参照。这些内容都极大地提升了论文的学术价值。