Multi-Robot Collaborative Navigation with Formation Adaptation

要約

マルチロボットの協調ナビゲーションは、チームワークと同期が鍵となる重要な能力です。
複雑で不確実な環境では、厳格なフォーメーションでは不十分であることが判明しているため、適応的なフォーメーションが不可欠です。
ロボットのフォーメーションを動的に調整する能力により、予測不可能な空間を移動し、結合を維持し、環境上の課題に効果的に対応することが可能になります。
この論文では、バイレベル学習フレームワークを使用した新しいアプローチを紹介します。
具体的には、グループ調整には高度なグラフ学習を、個人ナビゲーションには強化学習を使用します。
私たちは、強化学習の報酬メカニズム内にスプリング ダンパー モデルを統合することで革新し、従来のフォーメーション制御手法の硬直性に対処します。
実行中、私たちのアプローチにより、ロボットのチームは困難な環境をうまく移動し、望ましい編隊形状を維持し、環境情報に基づいて編隊規模を動的に調整することができます。
私たちは、マルチロボットナビゲーションにおける 3 つの異なるフォーメーションシナリオ (円、ライン、ウェッジ) にわたるアプローチを評価するために広範な実験を行っています。
実験結果は、私たちのアプローチが編隊適応を伴うマルチロボットナビゲーションにおいて有望な結果と拡張性を達成することを示しています。

要約(オリジナル)

Multi-robot collaborative navigation is an essential ability where teamwork and synchronization are keys. In complex and uncertain environments, adaptive formation is vital, as rigid formations prove to be inadequate. The ability of robots to dynamically adjust their formation enables navigation through unpredictable spaces, maintaining cohesion, and effectively responding to environmental challenges. In this paper, we introduce a novel approach that uses bi-level learning framework. Specifically, we use graph learning at a high level for group coordination and reinforcement learning for individual navigation. We innovate by integrating a spring-damper model within the reinforcement learning reward mechanism, addressing the rigidity of traditional formation control methods. During execution, our approach enables a team of robots to successfully navigate challenging environments, maintain a desired formation shape, and dynamically adjust their formation scale based on environmental information. We conduct extensive experiments to evaluate our approach across three distinct formation scenarios in multi-robot navigation: circle, line, and wedge. Experimental results show that our approach achieves promising results and scalability on multi-robot navigation with formation adaptation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google