Multi-Agent Clarity-Aware Dynamic Coverage with Gaussian Processes

要約

この論文では、時空間環境におけるマルチエージェントの動的カバレッジのための 2 つのアルゴリズムを紹介します。カバレッジ アルゴリズムはデータ同化の方法によって情報が提供されます。
特に、ガウス プロセス (GP) モデルを使用して環境を明示的にモデル化し、ロボット チームのセンシング能力とダイナミクスを考慮することで、推定アルゴリズムと、探索および推定を行うマルチエージェント カバレッジ コントローラーを設計できることを示します。
時空間環境の状態。
推定の不確実性は、情報理論の指標である明瞭性を使用して定量化されます。明瞭性が高いほど、不確実性は低くなります。
GP と確率微分方程式 (SDE) の関係を利用することで、他の位置から取得した測定による、任意の位置での推定状態の明瞭度の増加を定量化します。
この関係を使用して 2 つの新しいカバレッジ コントローラーを設計します。どちらも、ロボットが通信を介して空間ドメイン全体にわたって明瞭度のマップを共有できることを前提として、ドメインを探索するエージェントの数に合わせて適切に拡張されます。
オーストリアのある地域で風データを収集するロボット チームの現実的なシミュレーションを通じてアルゴリズムを実証します。

要約(オリジナル)

This paper presents two algorithms for multi-agent dynamic coverage in spatiotemporal environments, where the coverage algorithms are informed by the method of data assimilation. In particular, we show that by explicitly modeling the environment using a Gaussian Process (GP) model, and considering the sensing capabilities and the dynamics of a team of robots, we can design an estimation algorithm and multi-agent coverage controller that explores and estimates the state of the spatiotemporal environment. The uncertainty of the estimate is quantified using clarity, an information-theoretic metric, where higher clarity corresponds to lower uncertainty. By exploiting the relationship between GPs and Stochastic Differential Equations (SDEs) we quantify the increase in clarity of the estimated state at any position due to a measurement taken from any other position. We use this relationship to design two new coverage controllers, both of which scale well with the number of agents exploring the domain, assuming the robots can share the map of the clarity over the spatial domain via communication. We demonstrate the algorithms through a realistic simulation of a team of robots collecting wind data over a region in Austria.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google