大规模多机器人牧草感知的间歇式部署：数据合成、预测与规划
机器人学
2021-12-20 v1
摘要
监测草地的健康与活力对于为农业应用中优化轮牧的管理决策提供信息至关重要。为利用牧草资源并提高土地生产力，我们需要掌握目前最先进技术尚无法提供的牧场生长模式知识。在本文中，我们提议部署一组机器人来监测未知牧场环境的演化以达成上述目标。为监测这种通常演化缓慢的环境，我们需要设计一种以低成本在大面积上快速评估环境的策略。因此，我们提出了一种集成流水线，包括数据合成、深度神经网络训练与预测，以及间歇监测牧场的多机器人部署算法。具体而言，利用专家提供的农业数据并结合 ROS Gazebo 中的新型数据合成，我们首先提出一种新的神经网络架构来学习环境的时空动态。此类预测有助于我们理解大尺度上的牧场生长模式，并为未来做出恰当的监测决策。基于我们的预测，我们随后设计了一种用于低成本监测的间歇式多机器人部署策略。最后，我们将所提流水线与其他方法从数据合成到预测与规划进行比较，以佐证我们流水线的性能。
引用
@article{arxiv.2112.09203,
title = {Intermittent Deployment for Large-Scale Multi-Robot Forage Perception: Data Synthesis, Prediction, and Planning},
author = {Jun Liu and Murtaza Rangwala and Kulbir Singh Ahluwalia and Shayan Ghajar and Harnaik Singh Dhami and Pratap Tokekar and Benjamin F. Tracy and Ryan K. Williams},
journal= {arXiv preprint arXiv:2112.09203},
year = {2021}
}
备注
21 pages, 26 figures, submitted to IEEE Transactions on Automation Science and Engineering