Energy-Constrained Active Exploration Under Incremental-Resolution Symbolic Perception

要約

この研究では、固定されたエネルギー予算を尊重しながらターゲットを探す自律探査の問題を検討します。
ロボットには、増分解像度の象徴的認識モジュールが装備されており、ロボットとターゲットの距離が減少するにつれて、環境内のターゲットの認識が向上します。
ターゲットの総数、その位置、環境内での分布の可能性については、事前情報がないと仮定します。
この研究では、最初にオフラインで計算された積グラフ上の報酬最大化問題に変換することにより、結果として生じる制約付き逐次意思決定問題に対する新しい意思決定フレームワークを提案しています。
次に、混合整数線形計画 (MILP) としてオンラインで解決され、オートマトン ベースの技術と MILP ベースの技術を組み合わせて、各ステップで環境に関する知識が更新されます。
ケーススタディを活用してアプローチの有効性を実証し、予想される後悔の観点から経験的評価を示します。
さらに、実行時のパフォーマンスは、中程度の規模のグリッド環境ではオンライン プランニングを効率的に実行できることを示しています。

要約(オリジナル)

In this work, we consider the problem of autonomous exploration in search of targets while respecting a fixed energy budget. The robot is equipped with an incremental-resolution symbolic perception module wherein the perception of targets in the environment improves as the robot’s distance from targets decreases. We assume no prior information about the total number of targets, their locations as well as their possible distribution within the environment. This work proposes a novel decision-making framework for the resulting constrained sequential decision-making problem by first converting it into a reward maximization problem on a product graph computed offline. It is then solved online as a Mixed-Integer Linear Program (MILP) where the knowledge about the environment is updated at each step, combining automata-based and MILP-based techniques. We demonstrate the efficacy of our approach with the help of a case study and present empirical evaluation in terms of expected regret. Furthermore, the runtime performance shows that online planning can be efficiently performed for moderately-sized grid environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google