Multi-Agent Active Search using Detection and Location Uncertainty

要約

環境監視や災害対応ミッションなどのアプリケーションにおけるアクティブ探索には、観測履歴に適応する意思決定アルゴリズムを使用して探索空間内のターゲットを検出する自律エージェントが含まれます。
アクティブ検索アルゴリズムは、検出の不確実性と位置の不確実性という 2 つのタイプの不確実性に対処する必要があります。
ロボット工学におけるより一般的なアプローチは、位置の不確実性に焦点を当て、検出確率を 0 または 1 にしきい値にして検出の不確実性を除去することです。
対照的に、スパース信号処理の文献では、ターゲットの位置が正確であると想定し、代わりにその検出の不確実性に焦点を当てるのが一般的です。
この研究では、まず、ターゲットの検出と位置の不確実性の両方を共同で処理する推論方法を提案します。
次に、トンプソン サンプリングを使用して分散型マルチエージェントのアクティブ検索を可能にする、この推論方法に基づいた意思決定アルゴリズムを構築します。
私たちはシミュレーション実験を行って、私たちのアルゴリズムがターゲットの検出または位置の不確実性のいずれかのみを考慮した競合するベースラインよりも優れていることを示します。
最後に、AirSim プラグインを備えた Unreal Engine 4 プラットフォーム上に作成した現実的なシミュレーション環境を使用して、アルゴリズムの実世界への転送可能性を実証します。

要約(オリジナル)

Active search, in applications like environment monitoring or disaster response missions, involves autonomous agents detecting targets in a search space using decision making algorithms that adapt to the history of their observations. Active search algorithms must contend with two types of uncertainty: detection uncertainty and location uncertainty. The more common approach in robotics is to focus on location uncertainty and remove detection uncertainty by thresholding the detection probability to zero or one. In contrast, it is common in the sparse signal processing literature to assume the target location is accurate and instead focus on the uncertainty of its detection. In this work, we first propose an inference method to jointly handle both target detection and location uncertainty. We then build a decision making algorithm on this inference method that uses Thompson sampling to enable decentralized multi-agent active search. We perform simulation experiments to show that our algorithms outperform competing baselines that only account for either target detection or location uncertainty. We finally demonstrate the real world transferability of our algorithms using a realistic simulation environment we created on the Unreal Engine 4 platform with an AirSim plugin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google