面向精准农业的随机通道图任务规划
机器人学
2021-02-04 v1
摘要
本工作针对精准农业应用中的不确定性任务规划问题，其中任务代价不确定，且完成任务所获得的收益与资源消耗（如精准灌溉中的耗水量）成正比。目标是在优先处理更紧急任务的同时，受限于多样的预算阈值与随机任务代价，完成所有任务。为描述包含随机任务代价的农业相关环境，本文引入一种新的随机顶点代价通道图（SAG）。随后，提出一种称为次优动作规划（NBA-P）的任务分配算法。NBA-P 利用 SAG 所赋能的基础结构，在运行时通过同时确定待执行的最优任务与最优退出时间（即返回基站）来解决任务规划问题。所提方法在商业葡萄园采集的模拟数据与真实世界实验数据集上进行了测试，涵盖单机器人与多机器人场景。在所有情况下，NBA-P 在每访问顶点收益、因任务中止（即超出预算阈值）造成的资源浪费以及总访问顶点数方面均优于其他被评估的方法。
引用
@article{arxiv.2102.01825,
title = {Task Planning on Stochastic Aisle Graphs for Precision Agriculture},
author = {Xinyue Kan and Thomas C. Thayer and Stefano Carpin and Konstantinos Karydis},
journal= {arXiv preprint arXiv:2102.01825},
year = {2021}
}
备注
To appear in Robotics and Automation Letters