BayesCPF: Enabling Collective Perception in Robot Swarms with Degrading Sensors

要約

ロボットのグループが周囲を認識し、環境状態でコンセンサスを起こすという集合的な認識問題は、群れロボット工学の根本的な問題です。
集団的認識を研究する過去の作品は、完璧なセンシングでロボットの群れ全体を使用するか、誤動作しているメンバーのほんの一握りの群れのいずれかを使用しています。
関連する研究では、信頼できないロボットの群れ全体を説明するが、センサーの障害が既知であり、時間の経過とともに一定のままであると仮定するアルゴリズムを提案しました。
そのため、その研究に基づいて、ベイズ集団認識フィルター（BayESCPF）を提案することにより、環境機能が発生するレートである充填比を正確に推定できるように、継続的に分解センサーを備えたロボットを可能にします。
私たちの主な貢献は、BayESCPF内の拡張されたKalmanフィルターです。これは、時間変化のセンサーの分解のために群れのロボットが校正するのに役立ちます。
シミュレートされた実験および物理実験におけるさまざまな劣化モデル、初期条件、および環境での方法を検証します。
我々の調査結果は、分解モデルの仮定に関係なく、特にモデルと初期センサーの精度レベルに関する仮定が保存されている場合、真のセンサーの精度がわかっている場合、BayESCPFを使用した充填比率の推定がケースと競合することを示しています。

要約(オリジナル)

The collective perception problem — where a group of robots perceives its surroundings and comes to a consensus on an environmental state — is a fundamental problem in swarm robotics. Past works studying collective perception use either an entire robot swarm with perfect sensing or a swarm with only a handful of malfunctioning members. A related study proposed an algorithm that does account for an entire swarm of unreliable robots but assumes that the sensor faults are known and remain constant over time. To that end, we build on that study by proposing the Bayes Collective Perception Filter (BayesCPF) that enables robots with continuously degrading sensors to accurately estimate the fill ratio — the rate at which an environmental feature occurs. Our main contribution is the Extended Kalman Filter within the BayesCPF, which helps swarm robots calibrate for their time-varying sensor degradation. We validate our method across different degradation models, initial conditions, and environments in simulated and physical experiments. Our findings show that, regardless of degradation model assumptions, fill ratio estimation using the BayesCPF is competitive to the case if the true sensor accuracy is known, especially when assumptions regarding the model and initial sensor accuracy levels are preserved.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google