Fuzzy-Logic-based model predictive control: A paradigm integrating optimal and common-sense decision making

要約

このペーパーでは、未知の環境を探索し、ターゲットを見つけるためのマルチロボット制御アプローチとともに、新しいコンセプトであるファジーロジックベースのモデル予測制御（FLMPC）を紹介します。
従来のモデル予測制御（MPC）方法は、ベイジアン理論に依存して環境知識を表し、確率的コスト関数を最適化し、多くの場合、すべてのターゲットを見つける際の高い計算コストと有効性の欠如につながります。
代わりに、私たちのアプローチはFLMPCを活用し、それをバイレベルの親子アーキテクチャに拡張して、調整と拡張された意思決定の地平線を強化します。
確率分布と局所観測から高レベルの情報を抽出するFLMPCは、最適化の問題を簡素化し、他のMPCメソッドと比較して動作期間を大幅に拡張します。
ランダムに配置された障害物と人間を備えた未知の2次元環境で広範なシミュレーションを実施しました。
MPCに対するFLMPCのパフォーマンスと計算時間を確率的コスト関数と比較し、高レベルの親FLMPC層を統合することの影響を評価しました。
結果は、私たちのアプローチがパフォーマンスと計算時間の両方を大幅に改善し、ロボットの調整を強化し、大規模な捜索救助環境における不確実性の影響を減らすことを示しています。

要約(オリジナル)

This paper introduces a novel concept, fuzzy-logic-based model predictive control (FLMPC), along with a multi-robot control approach for exploring unknown environments and locating targets. Traditional model predictive control (MPC) methods rely on Bayesian theory to represent environmental knowledge and optimize a stochastic cost function, often leading to high computational costs and lack of effectiveness in locating all the targets. Our approach instead leverages FLMPC and extends it to a bi-level parent-child architecture for enhanced coordination and extended decision making horizon. Extracting high-level information from probability distributions and local observations, FLMPC simplifies the optimization problem and significantly extends its operational horizon compared to other MPC methods. We conducted extensive simulations in unknown 2-dimensional environments with randomly placed obstacles and humans. We compared the performance and computation time of FLMPC against MPC with a stochastic cost function, then evaluated the impact of integrating the high-level parent FLMPC layer. The results indicate that our approaches significantly improve both performance and computation time, enhancing coordination of robots and reducing the impact of uncertainty in large-scale search and rescue environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google