[論文レビュー] A Multi-Robot Task Assignment Framework for Search and Rescue with Heterogeneous Teams

Hamid Osooli, Paul Robinette+2 more|arXiv (Cornell University)|Sep 22, 2023

Optimization and Search ProblemsComputer Science被引用数 3

ひとこと要約

本論文は、被災後における多様なロボット能力と被災者要件を有する複雑な環境を想定し、スキャンピング、能力ベースのタスク割り当て、最適化とマーケットベースの入札を統合した、異種ロボットチーム向けの新規なマルチステージマルチロボットタスクアサインメント（MSMRTA）フレームワークを提案する。これは、最先端のベースラインと比較して計画時間を97％削減し、複雑な被災後環境における効率を顕著に向上させた。

ABSTRACT

In post-disaster scenarios, efficient search and rescue operations involve collaborative efforts between robots and humans. Existing planning approaches focus on specific aspects but overlook crucial elements like information gathering, task assignment, and planning. Furthermore, previous methods considering robot capabilities and victim requirements suffer from time complexity due to repetitive planning steps. To overcome these challenges, we introduce a comprehensive framework__the Multi-Stage Multi-Robot Task Assignment. This framework integrates scouting, task assignment, and path-planning stages, optimizing task allocation based on robot capabilities, victim requirements, and past robot performance. Our iterative approach ensures objective fulfillment within problem constraints. Evaluation across four maps, comparing with a state-of-the-art baseline, demonstrates our algorithm's superiority with a remarkable 97 percent performance increase. Our code is open-sourced to enable result replication.

研究の動機と目的

• 既存のマルチロボット救助システムにおいて、情報収集、タスク割り当て、経路計画の間の包括的統合の欠如に対処する。
• ロボットの能力、被災者の要件、および過去のパフォーマンスデータを統合することで、タスク割り当ての時間計算量を低減する。
• 計画のオーバーヘッドを低減する多段階フレームワークを通じて、異種ロボットチームにおける効率的でスケーラブルなタスク割り当てを実現する。
• 重複する計画を最小限に抑え、被災者割り当てを高速化することで、被災直後の状況におけるリアルタイム対応性を向上させる。
• 再現可能でオープンソースのソリューションを提供し、実世界の救助作業におけるさらなる研究開発や実装を支援する。

提案手法

• 環境の探索と被災者位置、要件、初期データの収集のため、アンチコロニー法を用いたスキャンピングフェーズを採用する。
• 適合性分析のため、ロボットの能力と被災者の要件をバイナリーベクトルで表現する。
• 空間的近接性とタスク類似性に基づき、被災者とロボットをK-meansクラスタリングでグループ化する。
• 2段階の割り当てを実施：最適化駆動割り当て（B2）に続いて、能力とパフォーマンス履歴に基づくマーケットベースの入札（B3）を実装する。
• 衝突のない最適ルートを生成するため、A*アルゴリズムを経路計画に使用する。
• 履歴的ロボット成功確率に基づき、タスク割り当てを精緻化するため、パフォーマンス分析（T^success、T^failure）を統合する。

実験結果

リサーチクエスチョン

• RQ1 異種救助チームにおけるマルチロボットタスクアサインメントフレームワークは、どのように効果的にスキャンピング、タスク割り当て、経路計画を統合できるか？
• RQ2 最適化手法とマーケットベース手法を組み合わせることで、タスク割り当ての効率性とスケーラビリティはどの程度向上するか？
• RQ3 複雑で動的な環境において、本フレームワークは、既存の最先端手法と比較して計画時間をどの程度短縮するか？
• RQ4 ロボットの異種性と被災者要件の多様性は、タスク割り当てのパフォーマンスと計画のオーバーヘッドにどのような影響を与えるか？
• RQ5 本フレームワークは、重複または非効率なタスク割り当てを最小限に抑えつつ、高い割り当て成功率を維持できるか？

主な発見

• MSMRTAフレームワークは、Map 1においてベースラインのMRGAと比較して平均97.70％の計画時間削減を達成した。他の3つのマップでは、それぞれ97.00％、96.93％、97.34％の削減を達成した。
• ロボット数を2から10、被災者数を10から100にスケーリングした場合、計画時間は最大92.26％増加したが、すべての構成においてベースラインよりも顕著に低く保たれた。
• シミュレーション全体で10名の被災者が正常に特定され、すべてのタスクが協調的ロボット割り当てにより100％履行された。
• 部分的および完全な能力マッチを効果的に処理でき、ロボット-被災者インスタンスの増加に伴い計画時間は61.2％上昇したが、負荷下でもスケーラビリティを示した。
• パフォーマンス履歴（T^success、T^failure）の使用により、優れた信頼性を持つロボットが優先的に高優先度タスクに割り当てられ、割り当ての正確性が向上した。
• GitHub上のオープンソース実装により、完全な再現性が確保され、今後のベンチマークや新アルゴリズムの拡張を支援できる。