Learning Hyperplanes for Multi-Agent Collision Avoidance in Space

要約

マルチロボットインタラクションの中心的な課題は、潜在的に矛盾する目的を持つロボット間の衝突回避です。
回転超平面制約に基づく衝突回避のためのゲーム理論的手法を提案します。
これらの制約は、特定のロボットを中心とした立ち入り禁止ゾーンの周りを回転する分離超平面を定義することにより、衝突を確実に回避します。
実行不可能性を導入せずに超平面を定義するパラメータを選択することは困難であるため、専門家の軌跡、つまり人間のオペレーターを記録することによって収集されたものからパラメータを学習することを提案します。
これを行うために、対応する平衡軌道がエキスパート軌道に最もよく一致するパラメーターを解決します。
ノイズの多い専門家の軌道から超平面パラメータを学習することで方法を検証し、より多くのロボットとこれまでに見たことのない初期条件を含むシナリオに対する学習したパラメータの一般化可能性を実証します。

要約(オリジナル)

A core challenge of multi-robot interactions is collision avoidance among robots with potentially conflicting objectives. We propose a game-theoretic method for collision avoidance based on rotating hyperplane constraints. These constraints ensure collision avoidance by defining separating hyperplanes that rotate around a keep-out zone centered on certain robots. Since it is challenging to select the parameters that define a hyperplane without introducing infeasibilities, we propose to learn them from an expert trajectory i.e., one collected by recording human operators. To do so, we solve for the parameters whose corresponding equilibrium trajectory best matches the expert trajectory. We validate our method by learning hyperplane parameters from noisy expert trajectories and demonstrate the generalizability of the learned parameters to scenarios with more robots and previously unseen initial conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google