Scaling Robust Optimization for Multi-Agent Robotic Systems: A Distributed Perspective

要約

この論文では、確率論的および決定論的不確実性の下でマルチエージェント システムの分布を制御するための新しい分散ロバスト最適化スキームを紹介します。
ロバスト最適化は、与えられた不確実性セット内で問題パラメータのすべての可能な実現に対してロバストに実現可能な最適解を発見することを目的とした最適化のサブフィールドです。
このようなアプローチは、当然のことながら、確率的ノイズに加えて外因性の決定論的な外乱が存在する可能性があるマルチロボット制御の理想的な候補となるでしょう。
それにもかかわらず、これらの方法は通常、非常に高い計算要求を伴うため、マルチエージェントロボット工学への適用は依然として限られています。
この研究の範囲は、計算効率とスケーラビリティを維持しながら、両方のタイプの不確実性に効果的に対処する、スケーラブルで堅牢な最適化フレームワークを提案することです。
この方向で、マルチロボット設定に関連する堅牢な制約に対する扱いやすい近似を提供します。
続いて、スケーラビリティと通信効率の達成に向けて、Alternating Direction Method of Multipliers (ADMM) アプローチを通じて計算を分散する方法を示します。
シミュレーション結果は、マルチロボット システムにおける確率論的不確実性と決定論的不確実性の両方を効果的に処理する際の、提案されたアルゴリズムのパフォーマンスを強調しています。
最大 100 人のエージェントによるタスクを示すことで、この方法の拡張性も強調されます。
この研究の結果は、スケーラブルで安全かつ堅牢なマルチロボット制御の実現に向けて、ロバストな最適化、分散ステアリング、および分散最適化を組み合わせることが期待できることを示しています。

要約(オリジナル)

This paper presents a novel distributed robust optimization scheme for steering distributions of multi-agent systems under stochastic and deterministic uncertainty. Robust optimization is a subfield of optimization which aims in discovering an optimal solution that remains robustly feasible for all possible realizations of the problem parameters within a given uncertainty set. Such approaches would naturally constitute an ideal candidate for multi-robot control, where in addition to stochastic noise, there might be exogenous deterministic disturbances. Nevertheless, as these methods are usually associated with significantly high computational demands, their application to multi-agent robotics has remained limited. The scope of this work is to propose a scalable robust optimization framework that effectively addresses both types of uncertainties, while retaining computational efficiency and scalability. In this direction, we provide tractable approximations for robust constraints that are relevant in multi-robot settings. Subsequently, we demonstrate how computations can be distributed through an Alternating Direction Method of Multipliers (ADMM) approach towards achieving scalability and communication efficiency. Simulation results highlight the performance of the proposed algorithm in effectively handling both stochastic and deterministic uncertainty in multi-robot systems. The scalability of the method is also emphasized by showcasing tasks with up to 100 agents. The results of this work indicate the promise of blending robust optimization, distribution steering and distributed optimization towards achieving scalable, safe and robust multi-robot control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google