Distributed Optimization Methods for Multi-Robot Systems: Part I — A Tutorial

要約

分散最適化は、さまざまなマルチロボットの問題に対する分散アルゴリズムを導き出すためのフレームワークを提供します。
このチュートリアルは、マルチロボットの問題に適用される分散最適化に関する 2 部構成のシリーズの最初の部分を構成し、ロボット工学における分散最適化の応用を前進させることを目指しています。
このチュートリアルでは、複数ロボットの同時位置特定と計画 (SLAM)、複数ロボットのターゲット追跡、複数ロボットのタスク割り当て問題など、多くの標準的な複数ロボット問題を分散最適化フレームワーク内でキャストできることを示します。
分散最適化アルゴリズムには、分散一次法、分散逐次凸計画法、乗算器交互方向法 (ADMM) という 3 つの大きなカテゴリがあります。
各カテゴリの基本構造を説明し、各カテゴリ内の代表的なアルゴリズムを提供します。
次に、複数のドローンが協力して地上車両を追跡するシミュレーション ケース スタディに取り組みます。
さまざまな分散最適化アルゴリズムを使用して、この問題の解決策を比較します。
さらに、XBee モジュールと通信する Rasberry Pi のネットワーク上のハードウェアに分散最適化アルゴリズムを実装し、現実世界の通信ネットワークの課題に対する堅牢性を示します。

要約(オリジナル)

Distributed optimization provides a framework for deriving distributed algorithms for a variety of multi-robot problems. This tutorial constitutes the first part of a two-part series on distributed optimization applied to multi-robot problems, which seeks to advance the application of distributed optimization in robotics. In this tutorial, we demonstrate that many canonical multi-robot problems can be cast within the distributed optimization framework, such as multi-robot simultaneous localization and planning (SLAM), multi-robot target tracking, and multi-robot task assignment problems. We identify three broad categories of distributed optimization algorithms: distributed first-order methods, distributed sequential convex programming, and the alternating direction method of multipliers (ADMM). We describe the basic structure of each category and provide representative algorithms within each category. We then work through a simulation case study of multiple drones collaboratively tracking a ground vehicle. We compare solutions to this problem using a number of different distributed optimization algorithms. In addition, we implement a distributed optimization algorithm in hardware on a network of Rasberry Pis communicating with XBee modules to illustrate robustness to the challenges of real-world communication networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google