利用自然语言实现高效风险感知多机器人搜索救援规划
机器人学
2021-04-09 v1 人机交互
多智能体系统
摘要
发展对场景的高层理解（如感知危险等级）的能力，在规划多机器人搜索与救援（SaR）任务中极具价值。在本工作中，我们提出独特地利用来自总指挥的自然语言描述与机器人捕获的图像数据来估计场景危险。给定一段描述与一幅图像，使用最先进的深度神经网络评估相应的相似度分数，随后将其转换为危险等级的概率分布。由于常用的视觉-语言数据集不能很好地代表SaR任务，我们从真实灾害场景的合成图像收集了一个大规模图像-描述数据集，并用其训练我们的机器学习模型。随后 formulated 一个风险感知的多机器人高效搜索路径规划（MESPP）问题变体，以利用危险估计在规划搜索者路径时考虑环境中的高风险位置。该问题通过基于混合整数线性规划的分布式方法求解。我们的实验表明，我们的框架可规划更安全且高度成功的搜索任务，遵从SaR任务的两个最重要方面：确保搜索者与受害者的安全。
引用
@article{arxiv.2104.03809,
title = {Exploiting Natural Language for Efficient Risk-Aware Multi-robot SaR Planning},
author = {Vikram Shree and Beatriz Asfora and Rachel Zheng and Samantha Hong and Jacopo Banfi and Mark Campbell},
journal= {arXiv preprint arXiv:2104.03809},
year = {2021}
}
备注
8 pages, 5 figures. To be presented at the IEEE International Conference on Robotics and Automation, 2021. Dataset available at: https://github.com/vikshree/DISC-L.git