大规模集群的分层轨迹（重）规划
Hierarchical Trajectory (Re)Planning for a Large Scale Swarm
AI总结：
针对杂乱环境中大规模集群的轨迹重规划问题，提出一种结合集中式与去中心化优势的分层路径规划方法，通过划分工作空间并行计算无碰撞路径并进行分布式轨迹优化以避免死锁，在仿真和物理实验中实现了高任务成功率的实时重规划。
摘要：
我们考虑杂乱环境中大规模集群的轨迹重规划问题。我们的路径规划器利用分层方法为机器人进行重规划，划分工作空间，并并行计算每个单元格内机器人的无碰撞路径。分布式轨迹优化生成无死锁轨迹以实现高效执行，即使在优化失败时也能保持控制可行性。我们的分层方法结合了集中式和去中心化方法的优势，在提供实时重规划能力的同时实现了高任务成功率。与去中心化方法相比，我们的方法有效避免了死锁和碰撞，显著提高了任务成功率。我们在最多142个机器人的仿真和具有代表性的24个物理Crazyflie纳米四旋翼实验中展示了算法的实时性能。
英文摘要：
We consider the trajectory replanning problem for a large-scale swarm in a cluttered environment. Our path planner replans for robots by utilizing a hierarchical approach, dividing the workspace, and computing collision-free paths for robots within each cell in parallel. Distributed trajectory optimization generates a deadlock-free trajectory for efficient execution and maintains the control feasibility even when the optimization fails. Our hierarchical approach combines the benefits of both centralized and decentralized methods, achieving a high task success rate while providing real-time replanning capability. Compared to decentralized approaches, our approach effectively avoids deadlocks and collisions, significantly increasing the task success rate. We demonstrate the real-time performance of our algorithm with up to 142 robots in simulation, and a representative 24 physical Crazyflie nano-quadrotor experiment.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
