Scaling Robust Optimization for Multi-Agent Robotic Systems: A Distributed Perspective

要約

このホワイトペーパーでは、確率的および決定論的な不確実性の下で、マルチエージェントシステムの操縦分布のための新しい分散型堅牢な最適化スキームを紹介します。
堅牢な最適化は、特定の不確実性セット内の問題パラメーターのすべての可能な実現に対して堅牢に実行可能なままである最適なソリューションを発見することを目的とする最適化のサブフィールドです。
このようなアプローチは、自然にマルチロボット制御の理想的な候補を構成し、確率的ノイズに加えて外因性の決定論的障害がある可能性があります。
それにもかかわらず、これらの方法は通常、大幅に高い計算需要に関連付けられているため、マルチエージェントロボット工学への適用は限られたままです。
この作業の範囲は、計算効率とスケーラビリティを保持しながら、両方のタイプの不確実性に効果的に対処するスケーラブルなロバスト最適化フレームワークを提案することです。
この方向では、マルチロボット設定に関連する堅牢な制約のための扱いやすい近似を提供します。
その後、スケーラビリティと通信効率を達成するための乗数（ADMM）アプローチの交互方向方法を通じて、計算をどのように分布させることができるかを示します。
すべての改善は、結果として生じる計算の複雑さを確立して比較することにより、理論的に正当化されます。
シミュレーション結果は、マルチロボットシステムにおける確率的および決定論的な不確実性の両方を効果的に処理する際に、提案されたアルゴリズムのパフォーマンスを強調しています。
メソッドのスケーラビリティは、最大数百のエージェントとタスクを紹介することによっても強調されます。
この作業の結果は、スケーラブルで安全で堅牢なマルチロボット制御を達成するための堅牢な最適化、配信ステアリング、分布最適化のブレンドの約束を示しています。

要約(オリジナル)

This paper presents a novel distributed robust optimization scheme for steering distributions of multi-agent systems under stochastic and deterministic uncertainty. Robust optimization is a subfield of optimization which aims to discover an optimal solution that remains robustly feasible for all possible realizations of the problem parameters within a given uncertainty set. Such approaches would naturally constitute an ideal candidate for multi-robot control, where in addition to stochastic noise, there might be exogenous deterministic disturbances. Nevertheless, as these methods are usually associated with significantly high computational demands, their application to multi-agent robotics has remained limited. The scope of this work is to propose a scalable robust optimization framework that effectively addresses both types of uncertainties, while retaining computational efficiency and scalability. In this direction, we provide tractable approximations for robust constraints that are relevant in multi-robot settings. Subsequently, we demonstrate how computations can be distributed through an Alternating Direction Method of Multipliers (ADMM) approach towards achieving scalability and communication efficiency. All improvements are also theoretically justified by establishing and comparing the resulting computational complexities. Simulation results highlight the performance of the proposed algorithm in effectively handling both stochastic and deterministic uncertainty in multi-robot systems. The scalability of the method is also emphasized by showcasing tasks with up to hundreds of agents. The results of this work indicate the promise of blending robust optimization, distribution steering and distributed optimization towards achieving scalable, safe and robust multi-robot control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google