[論文レビュー] Beyond Robustness: A Taxonomy of Approaches towards Resilient Multi-Robot Systems

Amanda Prorok, Matthew Malencia+4 more|arXiv (Cornell University)|Sep 25, 2021

Reinforcement Learning in Robotics参考文献 268被引用数 40

ひとこと要約

本論文はマルチロボットシステムにおけるレジリエンスを定義し、ロバスト性と対比させ、知覚・計画・制御を跨ぐロボットネットワークの設計のための正式な分類法とフレームワークを提示する。

ABSTRACT

Robustness is key to engineering, automation, and science as a whole. However, the property of robustness is often underpinned by costly requirements such as over-provisioning, known uncertainty and predictive models, and known adversaries. These conditions are idealistic, and often not satisfiable. Resilience on the other hand is the capability to endure unexpected disruptions, to recover swiftly from negative events, and bounce back to normality. In this survey article, we analyze how resilience is achieved in networks of agents and multi-robot systems that are able to overcome adversity by leveraging system-wide complementarity, diversity, and redundancy - often involving a reconfiguration of robotic capabilities to provide some key ability that was not present in the system a priori. As society increasingly depends on connected automated systems to provide key infrastructure services (e.g., logistics, transport, and precision agriculture), providing the means to achieving resilient multi-robot systems is paramount. By enumerating the consequences of a system that is not resilient (fragile), we argue that resilience must become a central engineering design consideration. Towards this goal, the community needs to gain clarity on how it is defined, measured, and maintained. We address these questions across foundational robotics domains, spanning perception, control, planning, and learning. One of our key contributions is a formal taxonomy of approaches, which also helps us discuss the defining factors and stressors for a resilient system. Finally, this survey article gives insight as to how resilience may be achieved. Importantly, we highlight open problems that remain to be tackled in order to reap the benefits of resilient robotic systems.

研究の動機と目的

• マルチロボットネットワークにおけるシステム全体の能力としてのレジリエンスを明確化し、正式化する。
• 従来のロバスト性および過剰供給とレジリエンスを区別する。
• ロボティクスにおけるレジリエンス工学の正式なモデルと用語を提供する。
• レジリエンスアプローチの分類法を提案し、それらをストレッサーの種類に結びつける。
• 耐障害性を備えたロボットシステムの未解決問題と今後の方向性を特定する。

提案手法

• 正式な定義と図解を通じて、レジリエンスをロバスト性と対比し定義する。
• ストレッサーの分類（stochastic vs out-of-distribution; targeted vs untargeted）およびアプローチタイプ（pre-, intra-, post-operative）を導入する。
• 知覚、計画、制御ドメインに渡るストレッサーとレジリエンス目標をモデル化するための数式表記を開発する。
• 提案された分類法を用いて既存の研究を分類し、未解決の問題を概説する。
• 3つの適用分野（知覚、計画、制御）を論じ、それぞれにおけるレジリエンスの現れ方を示す。

実験結果

リサーチクエスチョン

• RQ1 マルチロボットシステムにおけるレジリエンスを定義するとはどういうことであり、それはロバスト性とはどのように異なるか。
• RQ2 ネットワーク化されたロボット工学において、レジリエンスをどのようにモデル化・測定・設計できるか。
• RQ3 レジリエンス戦略を最も的確に捉えるストレッサーの分類とアプローチタイプの分類とは何か。
• RQ4 知覚・計画・制御の各ドメインにおけるレジリエンスの概念はマルチロボットシステムにどのように適用されるか。
• RQ5 耐障害性を備えたマルチロボット工学を前進させる上で、どの未解決問題が残っているか。

主な発見

• 障害が発生した際にも機能を維持するため、システム全体の補完性、多様性、冗長性を活用してレジリエンスを実現する。
• 正式な分類法は、ストレッサー（stochastic vs out-of-distribution）とアプローチタイプ（pre-, intra-, post-operative）をレジリエンス工学のために区別する。
• 本論文はレジリエンス設計と分析を支援する正式なモデルと表記を導入する。
• 知覚、計画、制御の各ドメインにわたるレジリエンスの整然としたレビューを提供し、将来の課題を示している。