Distributed Coverage Control for Time-Varying Spatial Processes

要約

マルチロボットシステムは、特に汚染、土壌鉱物、水塩分などの空間的現象を追跡するために、環境監視に不可欠です。
この研究では、関心のある領域を説明する密度分布が不明であり、時間とともに変化する環境で最適なカバレッジのためにマルチロボットチームを展開するという課題に対処します。
ガウスプロセス（GPS）を使用して空間フィールドをモデル化し、フィールドの学習と最適なカバーのトレードオフのバランスをとる完全に分散された制御戦略を提案します。
既存のアプローチとは異なり、時間変化の空間フィールドを処理することにより、より現実的なシナリオに対処します。このシナリオは、探査爆発のトレードオフが時間の経過とともに動的に調整されます。
各ロボットは、独自の収集データと隣接するロボットが共有する情報のみを使用して、ローカルで動作します。
GPSの計算制限に対処するために、アルゴリズムはプロセス推定に最も関連するサンプルのみを選択することにより、データの量を効率的に管理します。
提案されたアルゴリズムのパフォーマンスは、いくつかのシミュレーションと実験を通じて評価され、実際のデータ現象を組み込んでその有効性を検証します。

要約(オリジナル)

Multi-robot systems are essential for environmental monitoring, particularly for tracking spatial phenomena like pollution, soil minerals, and water salinity, and more. This study addresses the challenge of deploying a multi-robot team for optimal coverage in environments where the density distribution, describing areas of interest, is unknown and changes over time. We propose a fully distributed control strategy that uses Gaussian Processes (GPs) to model the spatial field and balance the trade-off between learning the field and optimally covering it. Unlike existing approaches, we address a more realistic scenario by handling time-varying spatial fields, where the exploration-exploitation trade-off is dynamically adjusted over time. Each robot operates locally, using only its own collected data and the information shared by the neighboring robots. To address the computational limits of GPs, the algorithm efficiently manages the volume of data by selecting only the most relevant samples for the process estimation. The performance of the proposed algorithm is evaluated through several simulations and experiments, incorporating real-world data phenomena to validate its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google