Collaborative Goal Tracking of Multiple Mobile Robots Based on Geometric Graph Neural Network

要約

マルチロボットシステムは空間的に分散したタスクで広く使用されており、その協調的な経路計画は作業効率にとって非常に重要です。
現在、さまざまなマルチロボット協調経路計画方法が提案されていますが、より適切な決定を下すために、実環境における局所的な知覚の観点から、異なる場所にある隣接するロボットの感覚情報をどのように処理するかは依然として大きな課題です。
この問題に対処するために、本論文では幾何学的グラフニューラルネットワーク(GeoGNN)に基づくマルチロボット協調経路計画法を提案する。
GeoGNN は、隣接するロボットの相対位置情報をグラフ ニューラル ネットワークの各相互作用層に導入し、近隣のセンシング情報をより適切に統合します。
エキスパート データ生成方法は、ロボットが 1 つのステップで前進できるように設計されており、これにより ROS でエキスパート データが生成され、ネットワークをトレーニングします。
実験結果は、専門家データセット上の CNN のみに基づくモデルと比較して、提案手法の精度が約 5% 向上することを示しています。
ROS シミュレーション環境の経路計画テストでは、CNN と比較して成功率が約 4% 向上し、フロー時間の増加が約 8% 削減され、他のグラフ ニューラル ネットワーク モデルを上回るパフォーマンスを示しました。

要約(オリジナル)

Multi-robot systems are widely used in spatially distributed tasks, and their collaborative path planning is of great significance for working efficiency. Currently, different multi-robot collaborative path planning methods have been proposed, but how to process the sensory information of neighboring robots at different locations from a local perception perspective in real environment to make better decisions is still a major difficulty. To address this problem, this paper proposes a multi-robot collaborative path planning method based on geometric graph neural network (GeoGNN). GeoGNN introduces the relative position information of neighboring robots into each interaction layer of the graph neural network to better integrate neighbor sensing information. An expert data generation method is designed for the robot to advance in a single step, by which expert data are generated in ROS to train the network. Experimental results show that the accuracy of the proposed method is improved by about 5% compared to the model based only on CNN on the expert data set. In ROS simulation environment path planning test, the success rate is improved by about 4% compared to CNN and flowtime increase is reduced about 8%, which outperforms other graph neural network models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google