Formal Modelling for Multi-Robot Systems Under Uncertainty

要約

レビューの目的: マルチロボットの動作を効果的に合成して分析するには、マルチロボットの実行を正確に捕捉する正式なタスクレベルのモデルが必要です。
この論文では、不確実性の下でのマルチロボット システムのモデリング形式をレビューし、それらを計画、強化学習、モデル チェック、シミュレーションにどのように使用できるかについて説明します。
最近の研究結果: 最近の研究では、時間的不確実性や部分的観測可能性などのさまざまな形の不確実性を考慮し、アクションの実行に対するロボットの相互作用の影響をモデル化することにより、複数のロボットの実行をより正確に捕捉するモデルが研究されました。
他の一連の研究では、より効率的な解決方法を可能にするためにマルチロボット モデルのサイズを縮小するためのアプローチが提示されています。
これは、独立性の仮定の下でロボットを切り離すか、より高いレベルのマクロ アクションを推論することによって実現できます。
概要: 既存のマルチロボット モデルは、ロボットの依存関係と不確実性を正確に把握することと、現実世界の問題を扱いやすく解決できるほど十分に小さいこととの間のトレードオフを示しています。
したがって、将来の研究では、複数のロボットの動作に対する現実的な仮定を活用して、不確実性とロボットの相互作用の正確な表現を保持するより小さなモデルを開発する必要があります。
また、因数分解された状態空間などのマルチロボット問題の構造を利用して、スケーラブルな解決方法を開発します。

要約(オリジナル)

Purpose of Review: To effectively synthesise and analyse multi-robot behaviour, we require formal task-level models which accurately capture multi-robot execution. In this paper, we review modelling formalisms for multi-robot systems under uncertainty, and discuss how they can be used for planning, reinforcement learning, model checking, and simulation. Recent Findings: Recent work has investigated models which more accurately capture multi-robot execution by considering different forms of uncertainty, such as temporal uncertainty and partial observability, and modelling the effects of robot interactions on action execution. Other strands of work have presented approaches for reducing the size of multi-robot models to admit more efficient solution methods. This can be achieved by decoupling the robots under independence assumptions, or reasoning over higher level macro actions. Summary: Existing multi-robot models demonstrate a trade off between accurately capturing robot dependencies and uncertainty, and being small enough to tractably solve real world problems. Therefore, future research should exploit realistic assumptions over multi-robot behaviour to develop smaller models which retain accurate representations of uncertainty and robot interactions; and exploit the structure of multi-robot problems, such as factored state spaces, to develop scalable solution methods.

arxiv情報

著者 Charlie Street,Masoumeh Mansouri,Bruno Lacerda
発行日 2023-05-26 15:23:35+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.MA, cs.RO, G.3 パーマリンク