机器人团队的弹性主动信息获取
机器人学
2021-03-19 v2 多智能体系统
最优化与控制
摘要
协同自主的新兴应用，如多目标跟踪、未知地图探索与持久监视，要求机器人规划路径以在环境中导航，同时最大化通过车载传感器收集的信息。本文考虑此类信息获取任务，但处于对抗环境中，其中攻击可能暂时禁用机器人的传感器。我们提出了首个滚动时域算法，旨在针对任意数量的攻击实现鲁棒且自适应的多机器人规划，称之为弹性主动信息获取（RAIN）。RAIN以在线方式调用鲁棒轨迹规划（RTP）子程序，该子程序在前瞻规划时域内规划抗攻击的控制输入。我们通过界定其次优性来量化RTP的性能。我们的理论分析基于组合优化中引入的曲率概念。我们在三种信息获取场景中评估RAIN：多目标跟踪、占据栅格建图与持久监视。场景在C++和基于Unity的模拟器中仿真。在所有仿真中，RAIN实时运行，并即便在大量攻击存在下也展现出优于最先进基线信息获取算法的性能。我们还展示了RAIN针对变化的攻击模型（最坏情况与随机）以及变化的重规划率的鲁棒性与有效性。
引用
@article{arxiv.2103.02733,
title = {Resilient Active Information Acquisition with Teams of Robots},
author = {Brent Schlotfeldt and Vasileios Tzoumas and George J. Pappas},
journal= {arXiv preprint arXiv:2103.02733},
year = {2021}
}