LPAC：面向覆盖控制的可学习感知-行动-通信环路
机器人学
2025-11-04 v5 机器学习
摘要
覆盖控制是指引导机器人集群协同监测事先未知的特征或感兴趣现象的问题。在机器人通信与感知能力受限的分散式场景中，该问题极具挑战性。我们为此提出了一种可学习的感知-行动-通信（LPAC）架构，其中卷积神经网络（CNN）处理局部感知信息；图神经网络（GNN）促进机器人之间的通信；最后，一个浅层多层感知机（MLP）计算机器人的行动。GNN 通过计算与邻近机器人通信的内容以及如何整合接收到的信息，实现机器人集群的协同。评估结果表明，通过模仿学习训练的 LPAC 模型优于标准的分散式和集中式覆盖控制算法。学习到的策略能够泛化到与训练数据集不同的环境，迁移到具有更多机器人的更大环境，并且对噪声位置估计具有鲁棒性。这些结果表明 LPAC 架构适用于机器人集群中的分散式导航，以实现协同行为。
引用
@article{arxiv.2401.04855,
title = {LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control},
author = {Saurav Agarwal and Ramya Muthukrishnan and Walker Gosrich and Vijay Kumar and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2401.04855},
year = {2025}
}
备注
20 Pages, 20 figures,