Stein Variational Belief Propagation for Multi-Robot Coordination

要約

マルチロボット システムの分散調整には、困難な高次元空間での計画が必要です。
計画の問題は、障害物や、不正確な動的モデルやセンサー ノイズなどのさまざまな不確実性源が存在する場合に特に困難になります。
この論文では、グラフ内のノードのノンパラメトリック周辺分布に対して推論を実行するための新しいアルゴリズムである Stein variational Belief Propagation (SVBP) を紹介します。
ロボット群をグラフィカルモデルとしてモデル化し、各ロボットに対して推論を実行することで、SVBPをマルチロボット協調に適用します。
シミュレートされた複数ロボットの知覚タスクと、モデル予測制御 (MPC) フレームワーク内の複数ロボットの計画タスクに関するアルゴリズムを、シミュレートされたモバイル ロボットと現実世界のモバイル ロボットの両方で実証します。
私たちの実験では、SVBP がサンプリング ベースまたはガウス ベースラインよりも優れたマルチモーダル分布を表現し、その結果、認識および計画タスクのパフォーマンスが向上することが示されました。
さらに、SVBP は分散型マルチロボット計画の多様な軌道を表現できるため、主要なベースラインよりもデッドロック シナリオが発生しにくいことを示します。

要約(オリジナル)

Decentralized coordination for multi-robot systems involves planning in challenging, high-dimensional spaces. The planning problem is particularly challenging in the presence of obstacles and different sources of uncertainty such as inaccurate dynamic models and sensor noise. In this paper, we introduce Stein Variational Belief Propagation (SVBP), a novel algorithm for performing inference over nonparametric marginal distributions of nodes in a graph. We apply SVBP to multi-robot coordination by modelling a robot swarm as a graphical model and performing inference for each robot. We demonstrate our algorithm on a simulated multi-robot perception task, and on a multi-robot planning task within a Model-Predictive Control (MPC) framework, on both simulated and real-world mobile robots. Our experiments show that SVBP represents multi-modal distributions better than sampling-based or Gaussian baselines, resulting in improved performance on perception and planning tasks. Furthermore, we show that SVBP’s ability to represent diverse trajectories for decentralized multi-robot planning makes it less prone to deadlock scenarios than leading baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google