从仿真到现实：增强城市搜索与救援中的多机器人探索
神经与进化计算
2023-11-29 v1
摘要
在本研究中，我们提出了一种新颖的混合算法，结合莱维飞行（Levy Flight, LF）与粒子群优化（Particle Swarm Optimization, PSO）（LF-PSO），专为在通信受限且无全局定位信息的未知环境中高效多机器人探索而设计。该研究针对日益增多的利用多个自主机器人执行探索任务的兴趣，特别是在城市搜索与救援（Urban Search and Rescue, USAR）行动等场景中。多机器人具有任务覆盖更广、鲁棒性、灵活性和可扩展性等优势。然而，现有方法常作出诸如搜索区域、机器人定位、通信限制和目标信息等方面的假设，这些假设在真实世界中可能不成立。该混合算法利用以在稀疏目标大空间探索中高效著称的 LF，并通过 PSO 引入机器人间排斥作为社会成分。这种组合提升了区域探索效率。我们重新定义了局部最优和全局最优位置，以适应无连续目标信息的场景。在受控环境中的实验仿真证明了该算法的有效性，展现出相比传统方法更高的区域覆盖率。在优化我们的方法并在复杂、障碍密集环境中测试的过程中，所提出的工作有望增强在信息与通信能力受限场景中的多机器人探索。
引用
@article{arxiv.2311.16958,
title = {From Simulations to Reality: Enhancing Multi-Robot Exploration for Urban Search and Rescue},
author = {Gautam Siddharth Kashyap and Deepkashi Mahajan and Orchid Chetia Phukan and Ankit Kumar and Alexander E. I. Brownlee and Jiechao Gao},
journal= {arXiv preprint arXiv:2311.16958},
year = {2023}
}