Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration

要約

集団ロボットミッションを効果的に実行するには、群れロボットシステム内のスムーズな調整が不可欠です。
効率的なコミュニケーションを行うことが、群れロボットの調整を成功させる鍵となります。
この論文は、群れロボットを調整するための新しい通信効率の高い分散型協調強化学習アルゴリズムを提案します。
ローカルな情報交換を使用して階層的に構築することで効率化されます。
探索中のロボット間の衝突や経路の重複を回避しながら時間とコストを最小限に抑える、ロボットのグループ間の協力による迷路解決のケーススタディアプリケーションを検討します。
確固たる理論的根拠に基づいて、当社は現実的な CORE ネットワーク シミュレーションを使用してアルゴリズムを広範囲に分析し、通信が低下した環境下で迷路のカバー率と効率の観点から最先端のソリューションと比較して評価します。
この結果は、パケット損失が多く通信範囲が狭いシナリオでも、コストと重複を削減しながら、カバレッジの精度と効率が大幅に向上していることを示しています。

要約(オリジナル)

Smooth coordination within a swarm robotic system is essential for the effective execution of collective robot missions. Having efficient communication is key to the successful coordination of swarm robots. This paper proposes a new communication-efficient decentralized cooperative reinforcement learning algorithm for coordinating swarm robots. It is made efficient by hierarchically building on the use of local information exchanges. We consider a case study application of maze solving through cooperation among a group of robots, where the time and costs are minimized while avoiding inter-robot collisions and path overlaps during exploration. With a solid theoretical basis, we extensively analyze the algorithm with realistic CORE network simulations and evaluate it against state-of-the-art solutions in terms of maze coverage percentage and efficiency under communication-degraded environments. The results demonstrate significantly higher coverage accuracy and efficiency while reducing costs and overlaps even in high packet loss and low communication range scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google