Communication- and Computation-Efficient Distributed Submodular Optimization in Robot Mesh Networks

要約

ロボットメッシュネットワークで分散サブモジュラー最適化のための通信および計算効率の良い方法を提供します。
サブモジュール性は、マッピング、監視、ターゲット追跡などのアクティブな情報収集で生じるリターンの減少の特性です。
私たちの方法であるリソース認識の分散貪欲（RAG）は、スケーラブルで最適に近いアクション調整を可能にする新しい分散最適化パラダイムを導入します。
この目的のために、RAGは各ロボットが隣人から受け取った情報のみに基づいて決定を下すことを要求します。
対照的に、現在のパラダイムは、ネットワーク上のすべてのロボットに関する情報のリレーを可能にします。
その結果、RAGの決定時間はネットワークサイズで直線的にスケーリングしますが、最先端のほぼ最適なサブモジュラー最適化アルゴリズムはキュービックにスケールします。
また、設計されたメッシュネットワークトポロジがRAGの近似パフォーマンスにどのように影響するかを特徴付けます。
私たちの分析は、スパースのあるネットワークが近似パフォーマンスを比例的に損なうことなくスケーラビリティを支持することを意味します。RAGの決定時間は、ネットワークサイズで直線的にスケーリングしますが、近似パフォーマンススケールのゲインは崇高です。
Digi Xbee 3 Zigbee 3.0の0.25 Mbps速度などの現実的なロボットからロボット（R2R）の通信速度をシミュレートする最大45のロボットを使用したエリア検出のシミュレーションシナリオでのRAGのパフォーマンスを示します。
シミュレーションでは、RAGは、競合するほぼ最適なアルゴリズムよりも最大3桁速いリアルタイム計画を可能にし、優れた平均カバレッジパフォーマンスを達成します。
シミュレーションを有効にするために、スケーラブルなコラボレーション自律パイプラインを数十ロボットに統合し、R2R通信の遅延をシミュレートすることにより、高忠実度と写真リアルなシミュレーターAirsimを拡張します。
私たちのコードは、https：//github.com/um-iral/resource-aware-coordination-airsimで入手できます。

要約(オリジナル)

We provide a communication- and computation-efficient method for distributed submodular optimization in robot mesh networks. Submodularity is a property of diminishing returns that arises in active information gathering such as mapping, surveillance, and target tracking. Our method, Resource-Aware distributed Greedy (RAG), introduces a new distributed optimization paradigm that enables scalable and near-optimal action coordination. To this end, RAG requires each robot to make decisions based only on information received from and about their neighbors. In contrast, the current paradigms allow the relay of information about all robots across the network. As a result, RAG’s decision-time scales linearly with the network size, while state-of-the-art near-optimal submodular optimization algorithms scale cubically. We also characterize how the designed mesh-network topology affects RAG’s approximation performance. Our analysis implies that sparser networks favor scalability without proportionally compromising approximation performance: while RAG’s decision time scales linearly with network size, the gain in approximation performance scales sublinearly. We demonstrate RAG’s performance in simulated scenarios of area detection with up to 45 robots, simulating realistic robot-to-robot (r2r) communication speeds such as the 0.25 Mbps speed of the Digi XBee 3 Zigbee 3.0. In the simulations, RAG enables real-time planning, up to three orders of magnitude faster than competitive near-optimal algorithms, while also achieving superior mean coverage performance. To enable the simulations, we extend the high-fidelity and photo-realistic simulator AirSim by integrating a scalable collaborative autonomy pipeline to tens of robots and simulating r2r communication delays. Our code is available at https://github.com/UM-iRaL/Resource-Aware-Coordination-AirSim.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google