How to Coordinate UAVs and UGVs for Efficient Mission Planning? Optimizing Energy-Constrained Cooperative Routing with a DRL Framework

要約

無人航空機（UAV）および無人の地上車両（UGV）を含む協同システムの効率的なミッション計画には、エージェント間のエネルギーの制約、スケーラビリティ、および調整の課題に対処する必要があります。
UAVは急速に広い領域をカバーしますが、バッテリー寿命が限られていることに制約されていますが、UGVは拡張された運用範囲とモバイル充電ステーションとして機能する能力を備えていますが、速度が遅くなります。
この不均一性により、UAVとUGVの間の調整により、最適なミッションの結果を達成するために重要になります。
この作業では、マルチエージェントUAV-AUGVチームのエネルギー制約のある協同ルーティング問題に対処するために、スケーラブルなディープ補強学習（DRL）フレームワークを提案します。
このフレームワークには、タスクポイントを割り当ててアクションを調整することにより、複数のエージェントを効率的に管理するために、ソーティワイズエージェントスイッチングが組み込まれています。
エンコーダーデコーダートランスアーキテクチャを使用して、タスクシナリオでUAV-AUGVチームのルートと充電ランデブーを最適化します。
広範な計算実験は、ヒューリスティックな方法とDRLベースラインよりもフレームワークの優れたパフォーマンスを実証し、多様なシナリオ全体でソリューション品質とランタイム効率の大幅な改善を実現します。
一般化研究はその堅牢性を検証し、動的シナリオはケーススタディでリアルタイムの変更に対する適応性を強調しています。
この作業は、マルチエージェントミッション計画にスケーラブルで効率的で堅牢なソリューションを提供することにより、UAV-AUGV協同ルーティングを進めます。

要約(オリジナル)

Efficient mission planning for cooperative systems involving Unmanned Aerial Vehicles (UAVs) and Unmanned Ground Vehicles (UGVs) requires addressing energy constraints, scalability, and coordination challenges between agents. UAVs excel in rapidly covering large areas but are constrained by limited battery life, while UGVs, with their extended operational range and capability to serve as mobile recharging stations, are hindered by slower speeds. This heterogeneity makes coordination between UAVs and UGVs critical for achieving optimal mission outcomes. In this work, we propose a scalable deep reinforcement learning (DRL) framework to address the energy-constrained cooperative routing problem for multi-agent UAV-UGV teams, aiming to visit a set of task points in minimal time with UAVs relying on UGVs for recharging during the mission. The framework incorporates sortie-wise agent switching to efficiently manage multiple agents, by allocating task points and coordinating actions. Using an encoder-decoder transformer architecture, it optimizes routes and recharging rendezvous for the UAV-UGV team in the task scenario. Extensive computational experiments demonstrate the framework’s superior performance over heuristic methods and a DRL baseline, delivering significant improvements in solution quality and runtime efficiency across diverse scenarios. Generalization studies validate its robustness, while dynamic scenario highlights its adaptability to real-time changes with a case study. This work advances UAV-UGV cooperative routing by providing a scalable, efficient, and robust solution for multi-agent mission planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google