[論文レビュー] 3, 2, 1, Drones Go! A Testbed to Take off UAV Swarm Intelligence for Distributed Sensing

Chuhao Qin, Fethi Candan+2 more|arXiv (Cornell University)|Aug 11, 2022

Distributed Control Multi-Agent Systems被引用数 4

ひとこと要約

本論文は、実際のドローンと投影されたセンシングマップを用いた低コストで屋内に設置されたテストベッドを提示し、スマートシティ応用における分散センシングのためのUAVスワームインテリジェンスを研究する。分散型マルチエージェント学習アルゴリズム（EPOS）を検証し、キャリブレーション後に3.7%の誤差範囲を達成する高精度なエネルギー消費推定を実現し、スワームインテリジェンス研究における高い現実性とスケーラビリティを示した。

ABSTRACT

This paper introduces a testbed to study distributed sensing problems of Unmanned Aerial Vehicles (UAVs) exhibiting swarm intelligence. Several Smart City applications, such as transport and disaster response, require efficient collection of sensor data by a swarm of intelligent and cooperative UAVs. This often proves to be too complex and costly to study systematically and rigorously without compromising scale, realism and external validity. With the proposed testbed, this paper sets a stepping stone to emulate, within small laboratory spaces, large sensing areas of interest originated from empirical data and simulation models. Over this sensing map, a swarm of low-cost drones can fly allowing the study of a large spectrum of problems such as energy consumption, charging control, navigation and collision avoidance. The applicability of a decentralized multi-agent collective learning algorithm (EPOS) for UAV swarm intelligence along with the assessment of power consumption measurements provide a proof-of-concept and validate the accuracy of the proposed testbed.

研究の動機と目的

• 高コストや屋外の不確実性を伴わず、大規模で現実的かつ実現可能なUAVスワームインテリジェンスの研究に向けた課題に対処すること。
• 投影されたセンシングマップと低コストドローンを用いたスケーラブルで低コストの屋内テストベッドを構築することで、シミュレーションと実世界のテストのギャップを埋めること。
• 協調的で分散型のドローンナビゲーションとセンシングにおける物理的エネルギー消費モデルの正確さを検証すること。
• 分散型マルチエージェント集団学習アルゴリズム（EPOS）がスワーム環境下でのセンシングミッション最適化に応用可能であることを示すこと。
• 研究を促進するためのオープンデータセットと再利用可能なテストベッドフレームワークを提供すること。

提案手法

• テストベッドは、2次元の床面に投影されたセンシングマップ（例：交通流や都市地域）を用い、現実のセンシング領域を模擬する。
• 低コストドローンがグリッド型オーバーレイ上をナビゲートし、各セルがセンシングターゲットを表す。
• 分散型マルチエージェント集団学習アルゴリズム（EPOS）が、実際のセンシングデータと必要なデータとの不一致を最小限に抑えるようにドローンのナビゲーションを調整する。
• ミッション計画段階で物理モデルを用いてエネルギー消費を推定し、実測値と照合して検証する。
• キャリブレーション時間を記録し、推定エネルギーに加算することで初期の過大推定を是正し、精度を向上させる。
• エネルギー消費、不一致、ミッション非効率性の観点から、協調的（EPOS）対非協調的（グリーディ）戦略を比較する。

実験結果

リサーチクエスチョン

• RQ1 低コストの屋内テストベッドは、現実的な環境的・運用的制約を伴う大規模な分散センシングシナリオを、高精度に模擬できるか？
• RQ2 協調的ナビゲーションとセンシングミッション中に、物理モデルが実ドローンのエネルギー消費をどの程度正確に推定できるか？
• RQ3 EPOSアルゴリズムは、非協調的グリーディ戦略と比較して、センシング不一致とミッション非効率性をどの程度低減できるか？
• RQ4 このテストベッドは、制御されたラボ環境下で外部妥当性の高い分散型スワームインテリジェンスアルゴリズムの検証を可能にするか？
• RQ5 キャリブレーション時間の組み込みが、実世界のドローン運用におけるエネルギー消費推定の精度をどの程度向上させるか？

主な発見

• キャリブレーション後、エネルギー消費推定の最終誤差範囲は37.41〜255.52ジュールにまで低く抑えられ、高い現実性を示した。
• キャリブレーション後、推定値と実測値のエネルギー消費に低誤差が確認され、計画に用いる物理モデルの信頼性が検証された。
• 協調的EPOS戦略ではミッション非効率性が2.22%にまで低下（グリーディ戦略の26.11%と比較）し、センシングカバレッジが著しく向上した。
• 協調的アプローチではセンシング不一致（RSS）が0.0057にまで低下したが、グリーディ戦略では0.265にとどまり、データ収集の正確性が著しく優れていることが示された。
• 協調的戦略ではエネルギー消費が35.53 kJであったが、グリーディ戦略は少ない（27.61 kJ）ものの、カバレッジが悪く非効率性が著しく高かった。
• テストベッドは、実ドローンをラボ環境で用いて、高いスケーラビリティと外部妥当性を備えた複雑なスワームインテリジェンス問題の研究の可能性を実際に示した。