机器人网格网络中分布式亚调和优化的通信与计算高效方法
机器人学
2025-05-29 v3 人工智能
多智能体系统
系统与控制
系统与控制
最优化与控制
摘要
我们提供了一种面向机器人网格网络的分布式亚调和优化的通信与计算高效方法。亚调和性是一种递减收益属性，出现在主动信息收集领域，如地图制作、监视和目标跟踪。我们的 метод 称为 Resource-Aware distributed Greedy (RAG)，引入了一种新的分布式优化范式，使其可扩展且接近最优。为此，RAG 需要每台机器人仅基于来自和关于其邻居的信息做出决策。相比之下，当前范式允许将关于所有机器人网络信息中继。因此，RAG 的决策时间随网络规模呈线性增长，而最先进的近最优亚调和优化算法则呈三次方增长。我们还描述了设计的网格拓扑如何影响 RAG 的逼近性能。我们的分析表明，较稀疏的网络在可扩展性方面更有优势，而不会按比例牺牲逼近性能：尽管 RAG 的决策时间随网络规模呈线性增长，但其逼近性能的提升仅呈亚线性增长。我们在最多 45 台机器人的模拟场景中演示了 RAG 的性能，模拟了现实中的机器人到机器人 (r2r) 通信速度，如 Digi XBee 3 Zigbee 3.0 的 0.25 Mbps 通信速度。在模拟实验中，RAG 实现了实时规划，速度比竞争性近最优算法快了三个数量级，同时也实现了优异的平均覆盖性能。为支持这些实验，我们扩展了高保真和照片逼真的模拟器 AirSim，通过集成可扩展的协作自主性管道到几十台机器人，并模拟了 r2r 通信延迟。我们的代码已公开于 https://github.com/UM-iRaL/Resource-Aware-Coordination-AirSim。
引用
@article{arxiv.2407.10382,
title = {Communication- and Computation-Efficient Distributed Submodular Optimization in Robot Mesh Networks},
author = {Zirui Xu and Sandilya Sai Garimella and Vasileios Tzoumas},
journal= {arXiv preprint arXiv:2407.10382},
year = {2025}
}
备注
Accepted to IEEE Transactions on Robotics