使用真实深度感知噪声模型的多智能体主动搜索
机器人学
2021-03-23 v2 人工智能
机器学习
信号处理
摘要
在未知环境中主动搜索感兴趣目标有许多机器人应用，包括搜索救援、检测气体泄漏或定位偷猎者。现有算法通常优先考虑感兴趣目标的位置精度，而其他实际问题，例如作为距离和视线函数的目标检测可靠性，在很大程度上被忽视。此外，在许多主动搜索场景中，通信基础设施可能不可靠或尚未建立，使得多智能体的集中控制不切实际。我们提出一种称为噪声感知汤普森采样（NATS）的算法，针对多个地面机器人执行主动搜索时考虑来自单目光学图像和深度图的两类感官信息来解决这些问题。通过利用汤普森采样，NATS 实现了多智能体间的去中心化协调。NATS 还考虑了来自深度的目标检测不确定性以及环境遮挡，并在保持对感兴趣目标数量未知的情况下运行。通过仿真结果，我们表明 NATS 显著优于信息贪婪策略或穷举搜索等现有方法。我们使用在 Unreal Engine 4 游戏开发平台与 AirSim 插件中创建的伪真实环境证明了 NATS 在现实世界中的可行性。
引用
@article{arxiv.2011.04825,
title = {Multi-Agent Active Search using Realistic Depth-Aware Noise Model},
author = {Ramina Ghods and William J. Durkin and Jeff Schneider},
journal= {arXiv preprint arXiv:2011.04825},
year = {2021}
}
备注
To appear at the 2021 IEEE International Conference on Robotics and Automation (ICRA), extended version