GUTS: Generalized Uncertainty-Aware Thompson Sampling for Multi-Agent Active Search

要約

迅速な災害対応のためのロボットソリューションは、特に捜索エリアが人間の救助者にとって危険すぎる、または広すぎる場合に、人命の損失を最小限に抑えるために不可欠です。
この問題を、各ロボットが未知の環境で効率的に対象物体 (OOI) を探すことを目的とした非同期マルチエージェントのアクティブ検索タスクとしてモデル化します。
この定式化は、捜索任務が捜索地域を完全にカバーするのではなく、OOI の迅速な回収に焦点を当てるべきであるという要件に対処します。
これまでのアプローチでは、センシングの不確実性を正確にモデル化したり、葉や地形によるオクルージョンを考慮したり、異種の捜索チームの要件やハードウェアや通信の障害に対する堅牢性を考慮したりすることができません。
我々は、これらの問題に対処し、大規模な非構造化環境でのアクティブ検索のための異種マルチロボット システムへの展開に適した、一般化不確実性を考慮したトンプソン サンプリング (GUTS) アルゴリズムを紹介します。
シミュレーション実験を通じて、GUTS が並列化されたトンプソン サンプリングや徹底的な検索などの既存の方法よりも常に優れたパフォーマンスを示し、すべての実行の 80% ですべての OOI を回復することを示します。
対照的に、既存のアプローチでは、すべての実行の 40% 未満ですべての OOI が回復されます。
当社では、約 75,000 平方メートルの探索エリアを備えた非構造化環境で、マルチロボット システムを使用したフィールド テストを実施します。
当社のシステムは、さまざまな障害モードに対する堅牢性を実証し、あらゆるフィールドでの実行で (可能な場合) OOI の完全な回復を達成し、当社のベースラインを大幅に上回ります。

要約(オリジナル)

Robotic solutions for quick disaster response are essential to ensure minimal loss of life, especially when the search area is too dangerous or too vast for human rescuers. We model this problem as an asynchronous multi-agent active-search task where each robot aims to efficiently seek objects of interest (OOIs) in an unknown environment. This formulation addresses the requirement that search missions should focus on quick recovery of OOIs rather than full coverage of the search region. Previous approaches fail to accurately model sensing uncertainty, account for occlusions due to foliage or terrain, or consider the requirement for heterogeneous search teams and robustness to hardware and communication failures. We present the Generalized Uncertainty-aware Thompson Sampling (GUTS) algorithm, which addresses these issues and is suitable for deployment on heterogeneous multi-robot systems for active search in large unstructured environments. We show through simulation experiments that GUTS consistently outperforms existing methods such as parallelized Thompson Sampling and exhaustive search, recovering all OOIs in 80% of all runs. In contrast, existing approaches recover all OOIs in less than 40% of all runs. We conduct field tests using our multi-robot system in an unstructured environment with a search area of approximately 75,000 sq. m. Our system demonstrates robustness to various failure modes, achieving full recovery of OOIs (where feasible) in every field run, and significantly outperforming our baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google