Accelerated K-Serial Stable Coalition for Dynamic Capture and Resource Defense

要約

連携は、マルチロボット システムが共通のタスクで共同作業するための重要な手段です。
動的で未知の環境におけるオンライン パフォーマンスには、効果的かつ適応的な連携戦略が不可欠です。
この作品では、大規模な異種ロボットチームによる領土防衛の問題が考慮されています。
任務には、監視、動的目標の捕獲、貴重な資源に対する境界防御が含まれます。
各ロボットは多くのタスクの中から選択できるため、全体の有用性が最大化されるようにこれらのロボットを連携して調整することは依然として困難な問題です。
この研究では、K シリアル安定連合アルゴリズム (KS-COAL) と呼ばれる一般的な連合戦略を提案しています。
集中型のアプローチとは異なり、分散型でいつでも利用できるため、必要なのはローカル通信のみであり、K シリアル ナッシュ安定ソリューションが保証されます。
さらに、オンラインでのみ認識される動的なターゲットとリソース分散への適応を加速するために、ヘテロジニアス グラフ アテンション ネットワーク (HGAN) ベースのヒューリスティックを学習して、局所最適化中により適切なパラメーターと有望な初期ソリューションを選択します。
手動ヒューリスティックやエンドツーエンドの予測子と比較して、オンライン適応性を向上させ、品質保証を維持することが示されています。
提案された手法は、GreedyNE や FastMaxSum を含むいくつかの強力なベースラインに対して、数百台のロボットを使用した大規模シミュレーションによって厳密に検証されています。

要約(オリジナル)

Coalition is an important mean of multi-robot systems to collaborate on common tasks. An effective and adaptive coalition strategy is essential for the online performance in dynamic and unknown environments. In this work, the problem of territory defense by large-scale heterogeneous robotic teams is considered. The tasks include surveillance, capture of dynamic targets, and perimeter defense over valuable resources. Since each robot can choose among many tasks, it remains a challenging problem to coordinate jointly these robots such that the overall utility is maximized. This work proposes a generic coalition strategy called K-serial stable coalition algorithm (KS-COAL). Different from centralized approaches, it is distributed and anytime, meaning that only local communication is required and a K-serial Nash-stable solution is ensured. Furthermore, to accelerate adaptation to dynamic targets and resource distribution that are only perceived online, a heterogeneous graph attention network (HGAN)-based heuristic is learned to select more appropriate parameters and promising initial solutions during local optimization. Compared with manual heuristics or end-to-end predictors, it is shown to both improve online adaptability and retain the quality guarantee. The proposed methods are validated rigorously via large-scale simulations with hundreds of robots, against several strong baselines including GreedyNE and FastMaxSum.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google