GUTS: Generalized Uncertainty-Aware Thompson Sampling for Multi-Agent Active Search

要約

タイトル：GUTS: Generalized Uncertainty-Aware Thompson Sampling for Multi-Agent Active Search
要約：
– 災害対応のためのロボットソリューションは、人間の救助者が危険なエリアや広大なエリアに対応できない場合に、人命の損失を最小限に抑えるために必要である。
– この問題を未知の環境で物体を効率的に探索する、非同期マルチエージェントアクティブサーチタスクとしてモデル化する。
– これまでの手法では、センシングの不確定性を正確にモデル化できず、植生や地形による覆い隠しを考慮できず、異種の検索チームとハードウェアや通信障害に対する堅牢性を考慮できない。
– 新しい手法として、GUTSアルゴリズムを提案し、この問題に対処する。GUTSは、大規模な非構造化環境でのアクティブサーチにおける異種マルチロボットシステムの展開に適している。
– シミュレーション実験を通じて、GUTSが既存の手法よりも優れたパフォーマンスを発揮することが示された。GUTSは、すべての実行の80%で、すべてのOOIを回収し、既存の手法は40%未満である。
– 大規模な非構造化環境において、実際のマルチロボットシステムを用いたフィールドテストが行われた。システムは、さまざまな障害に対して堅牢性を発揮し、フィールド実行ごとにフル回収を達成した。

要約(オリジナル)

Robotic solutions for quick disaster response are essential to ensure minimal loss of life, especially when the search area is too dangerous or too vast for human rescuers. We model this problem as an asynchronous multi-agent active-search task where each robot aims to efficiently seek objects of interest (OOIs) in an unknown environment. This formulation addresses the requirement that search missions should focus on quick recovery of OOIs rather than full coverage of the search region. Previous approaches fail to accurately model sensing uncertainty, account for occlusions due to foliage or terrain, or consider the requirement for heterogeneous search teams and robustness to hardware and communication failures. We present the Generalized Uncertainty-aware Thompson Sampling (GUTS) algorithm, which addresses these issues and is suitable for deployment on heterogeneous multi-robot systems for active search in large unstructured environments. We show through simulation experiments that GUTS consistently outperforms existing methods such as parallelized Thompson Sampling and exhaustive search, recovering all OOIs in 80% of all runs. In contrast, existing approaches recover all OOIs in less than 40% of all runs. We conduct field tests using our multi-robot system in an unstructured environment with a search area of approximately 75,000 sq. m. Our system demonstrates robustness to various failure modes, achieving full recovery of OOIs (where feasible) in every field run, and significantly outperforming our baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI