基于逆向次模最大化的人机协同多机器人信息收集
机器人学
2026-02-24 v2
摘要
我们考虑一种新型逆向组合优化问题，即逆向次模最大化（ISM），并将其应用于人机协同多机器人信息收集。前向组合优化——在给定与奖励（成本）相关的参数下求解组合问题——广泛应用于多机器人协调。在标准流程中，领域专家离线设计这些与奖励（成本）相关的参数，并在在线阶段利用这些参数协调机器人。如果非专家人类监督者希望在任务执行期间更改这些参数以适应某些新需求，该怎么办？我们关注的是人类监督者可以建议采用哪些路径基元，而机器人需要相应地更改内部决策参数的情况。我们从逆向组合优化的角度研究此类问题，即寻找使问题产生特定解的参数的过程。具体而言，我们针对一类多机器人信息收集场景提出了 ISM 的新形式化定义，旨在寻找一组与当前参数偏差最小的新参数，同时使贪心算法输出的路径基元与人类监督者期望的路径基元相同。我们证明，在单条建议的情况下，此类问题可以形式化为混合整数二次规划（MIQP），当问题规模较大时，现有求解器难以处理。我们提出了一种新的 Branch Bound 算法来求解此类问题。对于多个人类监督者提出多条建议的情况，该问题可转化为多目标优化，并使用 Pareto Monte Carlo Tree Search 求解。在数值仿真中，我们展示了如何在多机器人科学数据收集和事件检测驱动的覆盖控制中使用 ISM。
引用
@article{arxiv.2403.10991,
title = {Human-in-the-Loop Multi-Robot Information Gathering with Inverse Submodular Maximization},
author = {Guangyao Shi and Shipeng Liu and Ellen Novoseller and Feifei Qian and Gaurav S. Sukhatme},
journal= {arXiv preprint arXiv:2403.10991},
year = {2026}
}