Collaborative Goal Tracking of Multiple Mobile Robots Based on Geometric Graph Neural Network

要約

複数の移動ロボットは、空間的に分散されたさまざまなタスクで重要な役割を果たします。不慣れで反復性のないシナリオでは、地球地図の再構築は時間効率が悪く、非現実的な場合もあります。
したがって、世界地図に依存せずに、異なる位置にある複数のロボットからのセンサー データを利用して、リアルタイムの協調計画を達成することに研究が焦点を当てています。この論文では、幾何学グラフ ニューラル ネットワークに基づくマルチロボット協調経路計画手法を紹介します (
MRPP-GeoGNN)。
各近隣ロボットの感覚データの特徴を抽出し、幾何学的特徴エンコーダーを使用して近隣ロボットの相対位置を各インタラクション層に統合し、位置の詳細とともに障害物情報を組み込みます。
その後、MLP レイヤーを使用して、統合された局所特徴をロボットの実際の動きの複数の前方向にマッピングします。
ネットワークをトレーニングするために ROS でエキスパート データを生成し、提案された方法の有効性を検証するためにシミュレーションと物理実験の両方を実行しました。
シミュレーション結果は、専門家データセットの CNN のみに基づくモデルと比較して、精度が約 5% 向上していることを示しています。
CNN と比較して成功率が約 4% 向上し、ROS テストではフロー時間の増加が約 18% 削減され、他の GNN モデルを上回っています。
さらに、提案された方法は近隣の情報を活用することができ、現実世界のシナリオにおけるパス効率を大幅に向上させます。

要約(オリジナル)

Multiple mobile robots play a significant role in various spatially distributed tasks.In unfamiliar and non-repetitive scenarios, reconstructing the global map is time-inefficient and sometimes unrealistic. Hence, research has focused on achieving real-time collaborative planning by utilizing sensor data from multiple robots located at different positions, all without relying on a global map.This paper introduces a Multi-Robot collaborative Path Planning method based on Geometric Graph Neural Network (MRPP-GeoGNN). We extract the features of each neighboring robot’s sensory data and integrate the relative positions of neighboring robots into each interaction layer to incorporate obstacle information along with location details using geometric feature encoders. After that, a MLP layer is used to map the amalgamated local features to multiple forward directions for the robot’s actual movement. We generated expert data in ROS to train the network and carried out both simulations and physical experiments to validate the effectiveness of the proposed method. Simulation results demonstrate an approximate 5% improvement in accuracy compared to the model based solely on CNN on expert datasets. The success rate is enhanced by about 4% compared to CNN, and the flowtime increase is reduced by approximately 18% in the ROS test, surpassing other GNN models. Besides, the proposed method is able to leverage neighbor’s information and greatly improves path efficiency in real-world scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google