GUTS：面向多智能体主动搜索的广义不确定性感知汤普森采样
机器人学
2025-01-13 v2 人工智能
摘要
快速灾害响应的机器人解决方案对于确保最小生命损失至关重要，尤其是在搜索区域对人类救援人员而言过于危险或过于广阔时。我们将此问题建模为异步多智能体主动搜索任务，其中每个机器人旨在未知环境中高效寻找感兴趣目标（OOIs）。该表述满足了搜索任务应聚焦于快速恢复 OOIs 而非完全覆盖搜索区域的要求。以往方法未能准确建模感知不确定性、考虑由植被或地形引起的遮挡，或考虑异构搜索团队的需求以及对硬件和通信故障的鲁棒性。我们提出广义不确定性感知汤普森采样（GUTS）算法，该算法解决了这些问题，适用于在大型非结构化环境中部署于异构多机器人系统以进行主动搜索。我们通过仿真实验表明，GUTS 始终优于现有方法（如并行化汤普森采样和穷举搜索），在所有运行中的 80% 恢复了全部 OOIs。相比之下，现有方法在所有运行中的不到 40% 恢复全部 OOIs。我们使用多机器人系统在非结构化环境中进行了现场测试，搜索区域约 75,000 平方米。我们的系统展现出对各种故障模式的鲁棒性，在每次现场运行中实现了 OOIs 的完全恢复（在可行情况下），并显著优于我们的基线。
引用
@article{arxiv.2304.02075,
title = {GUTS: Generalized Uncertainty-Aware Thompson Sampling for Multi-Agent Active Search},
author = {Nikhil Angad Bakshi and Tejus Gupta and Ramina Ghods and Jeff Schneider},
journal= {arXiv preprint arXiv:2304.02075},
year = {2025}
}
备注
7 pages, 5 figures, 1 table, for associated video see: https://youtu.be/K0jkzdQ_j2E , published in International Conference on Robotics and Automation (ICRA) 2023. Outstanding Deployed Systems Paper Winner