Statistically Distinct Plans for Multi-Objective Task Assignment

要約

私たちは、競合する複数の目標に直面した場合に、確率的計画やオンライン マルチロボット集配 (MRPD) などのタスク割り当ての問題について、統計的に異なる計画を見つける問題を研究します。
現実世界の多くの設定では、ロボット群は配送要求を満たす必要があるだけでなく、エネルギー効率や人間中心の作業スペースの回避などの補助的な目的も考慮する必要があります。
我々は、MRPD を多目的最適化問題として提起します。その目的は、特定の目的間で異なるトレードオフをもたらす MRPD ポリシーを見つけることです。
主な課題が 2 つあります。1) MRPD は計算が難しく、合理的に計算できるトレードオフの数が制限されます。2) タスクの到着がランダムであるため、目的値の統計的分散を考慮する必要があります。
平均。
我々は、i) ほぼ最適である、ii) すべての最適解のセットに近似する、および iii) 統計的に区別可能なポリシーのセットを見つける適応サンプリング アルゴリズムを提示します。
私たちは完全性を証明し、最先端の MRPD ソルバーを 3 つの目的例の複数目的設定に適応させます。
一連のシミュレーション実験で、ベースラインアプローチと比較して提案された方法の利点を実証し、感度分析でのロバスト性を示します。
このアプローチは一般的であり、不確実性の下での他の多目的タスクの割り当てや計画の問題にも適用できます。

要約(オリジナル)

We study the problem of finding statistically distinct plans for stochastic planning and task assignment problems such as online multi-robot pickup and delivery (MRPD) when facing multiple competing objectives. In many real-world settings robot fleets do not only need to fulfil delivery requests, but also have to consider auxiliary objectives such as energy efficiency or avoiding human-centered work spaces. We pose MRPD as a multi-objective optimization problem where the goal is to find MRPD policies that yield different trade-offs between given objectives. There are two main challenges: 1) MRPD is computationally hard, which limits the number of trade-offs that can reasonably be computed, and 2) due to the random task arrivals, one needs to consider statistical variance of the objective values in addition to the average. We present an adaptive sampling algorithm that finds a set of policies which i) are approximately optimal, ii) approximate the set of all optimal solutions, and iii) are statistically distinguishable. We prove completeness and adapt a state-of-the-art MRPD solver to the multi-objective setting for three example objectives. In a series of simulation experiments we demonstrate the advantages of the proposed method compared to baseline approaches and show its robustness in a sensitivity analysis. The approach is general and could be adapted to other multi-objective task assignment and planning problems under uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google