SpaceOctopus: An Octopus-inspired Motion Planning Framework for Multi-arm Space Robot

太空机器人在自主维护和太空垃圾清理中发挥了至关重要的作用。由于其灵活性和手臂之间的协作能力，多臂太空机器人可以高效地完成目标捕捉和基地重新定位任务。然而，由于手臂数量和自由浮动基地引起的复杂耦合特性，这些机器人的运动规划问题存在挑战。我们观察到章鱼在抓捕猎物和逃避危险时也能优雅地实现类似的目标。受到章鱼肢体分布式控制的启发，我们开发了一个多级分散式运动规划框架来管理太空机器人的不同手臂的运动。这个运动规划框架自然地与多智能体强化学习（MARL）范式相结合。结果表明，我们的方法优于先前的方法（集中式训练）。利用分散式框架的灵活性，我们重新组合了为不同任务训练的策略，使太空机器人在调整基地姿态的同时完成轨迹规划任务，无需进一步学习。此外，我们的实验证实了我们的方法在面对外部干扰、基地质量变化甚至一个手臂失效时的优越稳健性。

解决问题：解决多臂空间机器人运动规划中由于多个机械臂和自由浮动基座引起的复杂耦合问题。

关键思路：受章鱼分布式控制策略的启发，提出了一种多级分布式运动规划框架，与多智能体强化学习（MARL）范例相结合，实现不同机械臂的运动控制。

其他亮点：实验结果表明，该方法在面对外部干扰、基座质量变化甚至一臂失效时具有优越的鲁棒性。此外，利用分布式框架的灵活性，能够重新组合不同任务的策略，使空间机器人在调整基座姿态的同时完成轨迹规划任务。

相关研究：多臂空间机器人的运动规划一直是一个热门研究领域。近期相关的研究包括“Multi-Arm Space Robot Motion Planning Based on Reinforcement Learning”和“Distributed Multi-Agent Reinforcement Learning for Multi-Robot Systems”。