Data-driven Spatial Classification using Multi-Arm Bandits for Monitoring with Energy-Constrained Mobile Robots

要約

移動ロボットの調整チームによって収集されたデータを使用して、監視のための空間分類問題を検討します。
このような分類の問題は、捜索救助や精密農業などのいくつかの用途で発生します。
具体的には、モバイル センサーとモバイル充電ステーションのチームを使用して、検索環境の領域をできるだけ早く興味深い領域とそうでない領域に分類したいと考えています。
私たちは、感知されたデータのノイズとセンサーの限られたエネルギー容量に対応するデータ駆動型の戦略を開発し、チームの衝突のない動作計画を生成します。
私たちは、ハイレベルのプランナーがマルチアームバンディットフレームワークを活用して、オンラインで収集されたデータに基づいてドローンが次に訪れる潜在的な関心領域を決定する、2レベルのアプローチを提案します。
次に、整数計画法に基づく低レベルのパス プランナーが、物理的制約の対象となるターゲット領域を訪問するためのチームのパスを調整します。
いつでも保証できることやタスク完了時間など、提案されたアプローチのいくつかの理論的特性を特徴付けます。
私たちはシミュレーションでアプローチの有効性を示し、移動ロボットを使用した物理実験でこれらの観察をさらに検証します。

要約(オリジナル)

We consider the spatial classification problem for monitoring using data collected by a coordinated team of mobile robots. Such classification problems arise in several applications including search-and-rescue and precision agriculture. Specifically, we want to classify the regions of a search environment into interesting and uninteresting as quickly as possible using a team of mobile sensors and mobile charging stations. We develop a data-driven strategy that accommodates the noise in sensed data and the limited energy capacity of the sensors, and generates collision-free motion plans for the team. We propose a bi-level approach, where a high-level planner leverages a multi-armed bandit framework to determine the potential regions of interest for the drones to visit next based on the data collected online. Then, a low-level path planner based on integer programming coordinates the paths for the team to visit the target regions subject to the physical constraints. We characterize several theoretical properties of the proposed approach, including anytime guarantees and task completion time. We show the efficacy of our approach in simulation, and further validate these observations in physical experiments using mobile robots.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google