Adaptive Self-Calibration for Minimalistic Collective Perception by Imperfect Robot Swarms

要約

集合的な認識は、群ロボット工学における基本的な問題であり、多くの場合、$n$ の中で最善の意思決定として投げかけられます。
過去の研究には、完璧なセンシングを備えたロボット、または少数の欠陥のあるロボットが含まれていました。
私たちは以前、群れ全体のセンサーが深刻な損傷を受けているにもかかわらず正しい決定を下すための、ここでは Minimalistic Collective Perception (MCP) [arxiv:2209.12858] と呼ばれるアルゴリズムを提案することで、これらの制限に対処しました。
ただし、このアルゴリズムはセンサーの精度が既知であることを前提としていますが、実際には不可能な可能性があります。
このペーパーでは、(i) 推定パフォーマンスの低下を調査し、(ii) 低下を緩和するために適応センサー劣化フィルター (ASDF) を導入するために、この仮定を排除します。
MCP アルゴリズムと仮説テストを組み合わせて、ロボットの想定されるセンサー精度の適応型自己校正を可能にします。
いくつかの関心のあるパラメータにわたってアプローチを検証します。
私たちの調査結果は、正確に既知の精度を持つ群による推定パフォーマンスは、その精度を認識していない群による推定パフォーマンスよりも優れていることを示しています。
しかし、空自は被害を大幅に軽減し、正確な精度をアプリオリに認識しているロボットの性能レベルにまで到達しました。

要約(オリジナル)

Collective perception is a fundamental problem in swarm robotics, often cast as best-of-$n$ decision-making. Past studies involve robots with perfect sensing or with small numbers of faulty robots. We previously addressed these limitations by proposing an algorithm, here referred to as Minimalistic Collective Perception (MCP) [arxiv:2209.12858], to reach correct decisions despite the entire swarm having severely damaged sensors. However, this algorithm assumes that sensor accuracy is known, which may be infeasible in reality. In this paper, we eliminate this assumption to (i) investigate the decline of estimation performance and (ii) introduce an Adaptive Sensor Degradation Filter (ASDF) to mitigate the decline. We combine the MCP algorithm and a hypothesis test to enable adaptive self-calibration of robots’ assumed sensor accuracy. We validate our approach across several parameters of interest. Our findings show that estimation performance by a swarm with correctly known accuracy is superior to that by a swarm unaware of its accuracy. However, the ASDF drastically mitigates the damage, even reaching the performance levels of robots aware a priori of their correct accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google