Optimization and Evaluation of Multi Robot Surface Inspection Through Particle Swarm Optimization

要約

ロボット群は、空中、水中、地表環境でさまざまな自動検知および検査アプリケーションを実行できます。
この論文では、簡略化された 2 つの結果の表面検査タスクを研究します。
私たちはロボットのグループに、表面に投影されたバイナリ パターンに基づいて 2D 表面セクションを検査し、集合的に分類するよう依頼します。
私たちは分散ベイジアン意思決定アルゴリズムを使用し、3 cm サイズの小型車輪付きロボットの群れを配備して、100 万ドル×100 万ドルのランダム化された白黒タイルを検査します。
まず、シミュレートされた環境、ロボット群、および検査アルゴリズムを特徴付けるモデル パラメーターについて説明します。
次に、決定精度と決定時間を組み合わせた適合性評価を使用した粒子群最適化 (PSO) に基づくノイズ耐性のヒューリスティック最適化スキームを採用します。
フィットネス測定の定義を使用して、表面パターンとロボットの初期ポーズを変更する 100 個のランダム化シミュレーションを通じて最適化されたパラメーターを評価します。
最適化されたアルゴリズム パラメーターは、経験的に選択されたパラメーター セットと比較して、適合性評価の中央値が最大 55% 向上することを示しています。

要約(オリジナル)

Robot swarms can be tasked with a variety of automated sensing and inspection applications in aerial, aquatic, and surface environments. In this paper, we study a simplified two-outcome surface inspection task. We task a group of robots to inspect and collectively classify a 2D surface section based on a binary pattern projected on the surface. We use a decentralized Bayesian decision-making algorithm and deploy a swarm of miniature 3-cm sized wheeled robots to inspect randomized black and white tiles of $1m\times 1m$. We first describe the model parameters that characterize our simulated environment, the robot swarm, and the inspection algorithm. We then employ a noise-resistant heuristic optimization scheme based on the Particle Swarm Optimization (PSO) using a fitness evaluation that combines decision accuracy and decision time. We use our fitness measure definition to asses the optimized parameters through 100 randomized simulations that vary surface pattern and initial robot poses. The optimized algorithm parameters show up to a 55% improvement in median of fitness evaluations against an empirically chosen parameter set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google