Learning Safe Control for Multi-Robot Systems: Methods, Verification, and Open Challenges

要約

この調査では、安全性を考慮した学習ベースの手法に焦点を当て、ロボット マルチエージェント システム (MAS) の制御設計手法における最近の進歩をレビューします。
まず、安全性と活性特性に関するさまざまな概念と、MAS の問題定式化に使用されるフレームワークのモデル化を検討します。
次に、マルチロボットシステムの安全制御設計のための学習ベースの手法の包括的なレビューを提供します。
まず、安全証明書、予測フィルター、到達可能性ツールなど、さまざまなタイプのシールド ベースの方法から始めます。
次に、集中型および分散型の両方でコントロールバリア証明書学習の現状をレビューし、その後、特に安全性に焦点を当てたマルチエージェント強化学習の包括的なレビューを行います。
次に、学習ベースの手法の正しさを確認するための最先端の検証ツールについて説明します。
MAS の学習と検証における最先端の手法の機能と限界に基づいて、未解決の課題に対するさまざまな幅広いテーマを特定します。
MAS の単一エージェントベースの集中メソッドを分解する方法。
コミュニケーション関連の実際的な問題をどのように説明するか。
そして、理論上の保証を実践に移すことを評価する方法。

要約(オリジナル)

In this survey, we review the recent advances in control design methods for robotic multi-agent systems (MAS), focussing on learning-based methods with safety considerations. We start by reviewing various notions of safety and liveness properties, and modeling frameworks used for problem formulation of MAS. Then we provide a comprehensive review of learning-based methods for safe control design for multi-robot systems. We start with various types of shielding-based methods, such as safety certificates, predictive filters, and reachability tools. Then, we review the current state of control barrier certificate learning in both a centralized and distributed manner, followed by a comprehensive review of multi-agent reinforcement learning with a particular focus on safety. Next, we discuss the state-of-the-art verification tools for the correctness of learning-based methods. Based on the capabilities and the limitations of the state of the art methods in learning and verification for MAS, we identify various broad themes for open challenges: how to design methods that can achieve good performance along with safety guarantees; how to decompose single-agent based centralized methods for MAS; how to account for communication-related practical issues; and how to assess transfer of theoretical guarantees to practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google