[論文レビュー] Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams

Barbara Arbanas, Tamara Petrović+1 more|arXiv (Cornell University)|Sep 21, 2021

Modular Robots and Swarm Intelligence被引用数 4

ひとこと要約

本稿では、階層的タスクモデルと二段階的手法を用いて、異種多ロボットチームにおける複雑なミッションの計画のための分散型でマルチステージの最適化手法を提案する。まずヒューリスティックサーチにより複数の実行可能なミッション分解が特定され、次に模倣を組み込んだ分散型遺伝的アルゴリズムが、複目的のタスク割り当てとスケジューリングを実行する。本手法はロボットの利用可能性と最適化基準に適応でき、シミュレートされた温室環境において、マケスパンとエネルギーコストの間で有効なトレードオフを実現した。

ABSTRACT

In this paper, we propose a distributed multi-stage optimization method for planning complex missions for heterogeneous multi-robot teams. This class of problems involves tasks that can be executed in different ways and are associated with cross-schedule dependencies that constrain the schedules of the different robots in the system. The proposed approach involves a multi-objective heuristic search of the mission, represented as a hierarchical tree that defines the mission goal. This procedure outputs several favorable ways to fulfill the mission, which directly feed into the next stage of the method. We propose a distributed metaheuristic based on evolutionary computation to allocate tasks and generate schedules for the set of chosen decompositions. The method is evaluated in a simulation setup of an automated greenhouse use case, where we demonstrate the method's ability to adapt the planning strategy depending on the available robots and the given optimization criteria.

研究の動機と目的

• クロススケジュール依存関係と複数の実行経路を有する複雑な異種多ロボットミッションの計画の課題に対処すること。
• 利用可能なロボットと最適化基準に基づいて、適応的ミッション計画を可能にする、ドメインに依存しない分散型アプローチを開発すること。
• タスク分解と割り当て・スケジューリングの分離により、ミッション計画における耐障害性とスケーラビリティを向上させること。
• さまざまなロボット構成下で、時間効率とエネルギー消費の両方の目的をバランスさせる能力を評価すること。
• シミュレーションを通じて、自動化された温室などの実世界のシナリオにおける本手法の適応性を示すこと。

提案手法

• ミッションはTÆMSにインspiredされた階層的タスクツリーとしてモデル化され、複雑で分解可能なタスクの構造的表現が可能になる。
• 高速なヒューリスティックツリー探索アルゴリズムが、複数の望ましいミッション実行戦略を生成するための代替的タスク分解経路を探索する。
• 模倣と知識共有を組み込んだ分散型複目的遺伝的アルゴリズムが、ロボット間でのタスク割り当てとスケジューリングを実行する。
• アルゴリズムはマケスパンとエネルギーコストの両方を最適化し、ユーザー定義基準に従って重みをカスタマイズ可能である。
• 分散エージェント間の知識共有が、最適化プロセスにおける収束性と解の品質を向上させる。
• 本手法は、移動型マニピュレータ、固定型マニピュレータ、UGVなど、能力が異なる異種ロボットをサポートし、タスク依存関係とクロススケジュール制約を考慮する。

実験結果

リサーチクエスチョン

• RQ1 分散型でマルチステージの最適化フレームワークは、異種多ロボットシステムにおいて、ミッション期間とエネルギー消費といった競合する目的を効果的にバランスできるか？
• RQ2 ヒューリスティックベースのミッション分解選択は、複雑なタスク階層における計画効率と解の多様性をどの程度向上できるか？
• RQ3 分散型遺伝的アルゴリズムに模倣と知識共有を統合することで、タスク割り当てとスケジューリングにおける解の品質と収束性はどの程度向上するか？
• RQ4 提案手法は、利用可能なロボットタイプとユーザー定義の最適化優先順位に基づいて、ミッション実行戦略を動的に適応できるか？
• RQ5 実世界の応用シナリオにおいて、移動型と固定型マニピュレータの異なる構成下で、本手法はどの程度の性能を示すか？

主な発見

• 本手法は複数の実行可能なミッション分解を効果的に生成し、ユーザー定義の重みに基づいたマケスパンとコストのバランスが取れた最良の解が得られた。
• 1台の固定型マニピュレータと2台の軽量UGVを用いた場合、2台の移動型マニピュレータを用いた場合と比較してエネルギー消費が16倍削減されたが、ミッション期間は57%延長された。
• コストを優先した設定（設定3）では、システムはミッションツリーの左側の分岐に沿ったエネルギー効率の良いタスク実行経路を選択した。
• スピードを優先した設定（設定5）では、システムは移動型マニピュレータを活用して高速な実行を実現し、ミッションツリーの右側の分岐を選択した。
• コストとマケスパンの両方に同等の重要度を割り当てた設定（設定4）では、高効率と高速実行の両方の経路にタスクがバランスよく分散された。
• シミュレーション結果は、本手法が異なるロボット構成と最適化基準に適応可能であり、複雑なミッション計画における有効なトレードオフ管理を実現していることを確認した。