Initial Task Allocation for Multi-Human Multi-Robot Teams with Attention-based Deep Reinforcement Learning

要約

複数人、複数ロボットのチームは、多様な能力と専門知識を持つ人間とロボットのコラボレーションを通じて、複雑で大規模なタスクを実行できる大きな可能性を秘めています。
このような非常に異質なチームを効率的に運営し、タイムリーにチームのパフォーマンスを最大化するには、チームメンバーとタスク間の個人差を考慮した高度な初期タスク割り当て戦略が必要です。
既存の研究では、エージェントの状態とパフォーマンスに基づいてタスクを再割り当てするという有望な結果が示されていますが、チームの固有の異質性を無視すると、現実的なシナリオでの有効性が妨げられます。
この論文では、複数人、複数ロボットのチームにおける初期タスク割り当て問題の新しい定式化を、文脈に応じた複数属性の意思決定プロセスとして提示し、注意ベースの深層強化学習アプローチを提案します。
状態表現における複数の属性の潜在的で複雑な依存関係をエンコードするために、属性間注意モジュールを導入します。
私たちは大規模な脅威監視シナリオでケーススタディを実施し、私たちのモデルの強みを実証します。

要約(オリジナル)

Multi-human multi-robot teams have great potential for complex and large-scale tasks through the collaboration of humans and robots with diverse capabilities and expertise. To efficiently operate such highly heterogeneous teams and maximize team performance timely, sophisticated initial task allocation strategies that consider individual differences across team members and tasks are required. While existing works have shown promising results in reallocating tasks based on agent state and performance, the neglect of the inherent heterogeneity of the team hinders their effectiveness in realistic scenarios. In this paper, we present a novel formulation of the initial task allocation problem in multi-human multi-robot teams as contextual multi-attribute decision-make process and propose an attention-based deep reinforcement learning approach. We introduce a cross-attribute attention module to encode the latent and complex dependencies of multiple attributes in the state representation. We conduct a case study in a massive threat surveillance scenario and demonstrate the strengths of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google