Probabilistically Informed Robot Object Search with Multiple Regions

要約

危険な環境での自律型ロボット システムの使用が増加していることは、効率的な捜索および救助活動の必要性を浮き彫りにしています。
大幅な進歩にもかかわらず、オブジェクト検索に関する既存の文献は、長い計画期間の困難を克服したり、ノイズなどのセンサーの制限に対処したりするという点で不十分であることがよくあります。
この研究では、探索問題をオプション付きのマルコフ決定プロセス (BMDP-O) として定式化する新しいアプローチを導入し、モンテカルロ木探索 (MCTS) を大規模環境におけるこれらの課題を克服するための実行可能なツールにします。
提案された定式化には、関心領域間を移動する一連のアクション (オプション) が組み込まれており、アルゴリズムを大規模な環境に効率的に拡張できるようになります。
このアプローチにより、複数のタイプのセンサーで使用するためのカスタマイズ可能な視野の使用も可能になります。
実験結果は、オプションや後退地平線プランナーなどの代替ツールを使用しない問題と比較した場合、大規模環境におけるこのアプローチの優位性を示しています。
提案された定式化の計算時間が比較的長いことを考慮して、さらに近似した「ライト」な定式化が提案されます。
ライト定式化では、同等のステップ数でより高速な計算でオブジェクトを見つけます。

要約(オリジナル)

The increasing use of autonomous robot systems in hazardous environments underscores the need for efficient search and rescue operations. Despite significant advancements, existing literature on object search often falls short in overcoming the difficulty of long planning horizons and dealing with sensor limitations, such as noise. This study introduces a novel approach that formulates the search problem as a belief Markov decision processes with options (BMDP-O) to make Monte Carlo tree search (MCTS) a viable tool for overcoming these challenges in large scale environments. The proposed formulation incorporates sequences of actions (options) to move between regions of interest, enabling the algorithm to efficiently scale to large environments. This approach also enables the use of customizable fields of view, for use with multiple types of sensors. Experimental results demonstrate the superiority of this approach in large environments when compared to the problem without options and alternative tools such as receding horizon planners. Given compute time for the proposed formulation is relatively high, a further approximated ‘lite’ formulation is proposed. The lite formulation finds objects in a comparable number of steps with faster computation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google