Sensor-based Multi-Robot Coverage Control with Spatial Separation in Unstructured Environments

要約

マルチロボット システムは、検索や取材の問題に取り組む上でますます役に立ちます。
ただし、タスクの成功を損なうことなくタスクの効率を最適化するという課題は、特に障害物が密集した広大で構造化されていない環境では依然として残っています。
このペーパーでは、安全性を維持しながらこれらの複雑さを事後的に対処するための、検索とカバレッジのための革新的な分散型ボロノイベースのアプローチを紹介します。
このアプローチは、マルチロボット システムのアクティブ センシング機能を活用して GIS (地理情報システム) を補完し、環境のより包括的かつリアルタイムの理解を提供します。
この方法は、本質的に非凸で構造化されていない点群データに基づいて、空間分解および球面ミラーリング技術によるローカルセンシング情報のみを使用して、衝突のないボロノイ領域を効率的に生成します。
次に、勾配が最適化されたセントロイド ボロノイ ベースのカバレッジ制御ポリシーと統合されたデッドロック対応ガイド マップが構築され、徹底的な検索とローカル センシングの落とし穴を回避することで効率が向上します。
当社のアルゴリズムの有効性は、高忠実度環境での広範な数値シミュレーションを通じて検証されており、他のアルゴリズムと比較して、タスクの成功率、カバレッジ率、タスク実行時間の両方が大幅に向上していることが実証されています。

要約(オリジナル)

Multi-robot systems have increasingly become instrumental in tackling search and coverage problems. However, the challenge of optimizing task efficiency without compromising task success still persists, particularly in expansive, unstructured environments with dense obstacles. This paper presents an innovative, decentralized Voronoi-based approach for search and coverage to reactively navigate these complexities while maintaining safety. This approach leverages the active sensing capabilities of multi-robot systems to supplement GIS (Geographic Information System), offering a more comprehensive and real-time understanding of the environment. Based on point cloud data, which is inherently non-convex and unstructured, this method efficiently generates collision-free Voronoi regions using only local sensing information through spatial decomposition and spherical mirroring techniques. Then, deadlock-aware guided map integrated with a gradient-optimized, centroid Voronoi-based coverage control policy, is constructed to improve efficiency by avoiding exhaustive searches and local sensing pitfalls. The effectiveness of our algorithm has been validated through extensive numerical simulations in high-fidelity environments, demonstrating significant improvements in both task success rate, coverage ratio, and task execution time compared with others.

arxiv情報

著者 Xinyi Wang,Jiwen Xu,Chuanxiang Gao,Yizhou Chen,Jihan Zhang,Chenggang Wang,Ben M. Chen
発行日 2024-04-10 04:21:27+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.RO パーマリンク