Autonomous and Adaptive Role Selection for Multi-robot Collaborative Area Search Based on Deep Reinforcement Learning

要約

マルチロボットの協調的な領域探索のタスクにおいて、より多くのターゲットを感知するためのマッピング（探索）と、ターゲットを探索し位置を特定するためのマッピング（被覆）を同時に行う統一的なアプローチを提案する。具体的には、タスク計画とタスク実行を分離するために、階層的なマルチエージェント強化学習アルゴリズムを実装する。役割の概念は、役割選択のための上位タスク計画に統合され、ロボットが上位ビューからの状態ステータスに基づいて役割を学習することを可能にする。さらに、インテリジェントな役割切り替えメカニズムにより、役割選択モジュールは2つのタイムステップ間で機能し、探索とカバレッジの両方を互換的に促進する。そして、原始ポリシーは、割り当てられた役割とサブタスク実行のための局所観測に基づいて、どのように計画を立てるかを学習する。よく設計された実験により、複雑さとロボット数が異なるシーンにおいて、最先端のアプローチと比較して、本手法のスケーラビリティと一般性が示された。

要約(オリジナル)

In the tasks of multi-robot collaborative area search, we propose the unified approach for simultaneous mapping for sensing more targets (exploration) while searching and locating the targets (coverage). Specifically, we implement a hierarchical multi-agent reinforcement learning algorithm to decouple task planning from task execution. The role concept is integrated into the upper-level task planning for role selection, which enables robots to learn the role based on the state status from the upper-view. Besides, an intelligent role switching mechanism enables the role selection module to function between two timesteps, promoting both exploration and coverage interchangeably. Then the primitive policy learns how to plan based on their assigned roles and local observation for sub-task execution. The well-designed experiments show the scalability and generalization of our method compared with state-of-the-art approaches in the scenes with varying complexity and number of robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL