[論文レビュー] Energy-Aware Multi-Robot Task Allocation in Persistent Tasks

Ehsan Latif, Yikang Gui+2 more|arXiv (Cornell University)|Dec 31, 2021

Modular Robots and Swarm Intelligence被引用数 4

ひとこと要約

本論文は、持続的採掘作業を実施するマルチロボットシステム向けに、分散型でエネルギーに配慮したタスク割り当てアルゴリズムを提案する。エネルギー消費、再充電、タスク実行のバランスをとる。動的エネルギー閾値、分散型意思決定、およびランダム化によるデッドロック回避を用いることで、グリーディベースラインと比較してロボットの生存率と宝物収集数が15向上し、再充電待機時間を短縮する。

ABSTRACT

The applicability of the swarm robots to perform foraging tasks is inspired by their compact size and cost. A considerable amount of energy is required to perform such tasks, especially if the tasks are continuous and/or repetitive. Real-world situations in which robots perform tasks continuously while staying alive (survivability) and maximizing production (performance) require energy awareness. This paper proposes an energy-conscious distributed task allocation algorithm to solve continuous tasks (e.g., unlimited foraging) for cooperative robots to achieve highly effective missions. We consider efficiency as a function of the energy consumed by the robot during exploration and collection when food is returned to the collection bin. Finally, the proposed energy-efficient algorithm minimizes the total transit time to the charging station and time consumed while recharging and maximizes the robot's lifetime to perform maximum tasks to enhance the overall efficiency of collaborative robots. We evaluated the proposed solution against a typical greedy benchmarking strategy (assigning the closest collection bin to the available robot and recharging the robot at maximum) for efficiency and performance in various scenarios. The proposed approach significantly improved performance and efficiency over the baseline approach.

研究の動機と目的

• 限られたバッテリー容量を有する現実世界の状況において、持続的タスクのためのマルチロボットタスク割り当てにおけるエネルギー意識の欠如に対処すること。
• 連続的な採掘ミッションにおいて、ロボットの生存率とネットワーク接続性を維持しながら、タスク実行性能を最大化すること。
• 中央集権的協調なしに、採掘と再充電のバランスをとる分散型でスケーラブルなソリューションを開発すること。
• 移動および回収時のエネルギー消費と再充電ダイナミクスを考慮することで、エネルギーの無駄を減らし、システム効率を向上させること。
• ランダム化された意思決定とエネルギーレベルに基づく状態遷移により、タスク割り当てにおけるデッドロックを回避すること。

提案手法

• アルゴリズムは動的エネルギー閾値を用いる：ロボットはエネルギーが20％（E_min）に低下した時点で再充電ステーションに戻り、過剰な消耗を防ぐ。
• 分散型タスク割り当てメカニズムを採用し、ロボットは周囲の収集ボックスや再充電ステーションへの距離と局所的なエネルギー状態に基づいて、自ら採掘か再充電かを決定する。
• 最大接続性グラフアルゴリズムによりネットワークの完全性を維持し、情報共有と協調を可能にする。
• エネルギー消費は式 E_t = E_{t-1} - (α×1 + β×distance(t) + γ×isTreasurePicked) でモデル化される。ここで α=0.1、β=2、γ=0.1 はそれぞれ静的、動的、回収時のエネルギー消費を表す。
• 再充電は E_t = E_{t-1} + δ×1 でモデル化され、δ=0.5 は充電ステーションでの充電速度を表す。
• デッドロック回避戦略として、複数のロボットが同じリソースやステーションを標的としないように、タスク割り当て意思決定にランダム化を導入する。

実験結果

リサーチクエスチョン

• RQ1 分散型マルチロボットシステムは、どのようにして効率的に採掘と再充電のバランスを保ち、タスク実行性能を最大化するとともにロボットの生存を確保できるか？
• RQ2 どのようなエネルギー閾値と意思決定ルールが、持続的タスクにおけるエネルギー消費とタスク完了の最適なトレードオフを実現できるか？
• RQ3 接続性の維持を統合することで、ロボットスワームにおけるエネルギーに配慮したタスク割り当ての性能と耐障害性にどのような影響を与えるか？
• RQ4 デッドロック回避は、分散型タスク割り当てにおいて、システムの安定性と性能をどの程度向上させるか？
• RQ5 エネルギーに配慮したタスク割り当ては、近接性と完全な再充電を優先するグリーディ戦略に比べて、どのように優れているか？

主な発見

• 提案されたアルゴリズムは、グリーディベースラインと比較して15個の宝物を多く収集し、デッドロック回避なしのベースラインと比較しても5個多く収集しており、持続的採掘において優れた性能を示した。
• 総走行距離は長くなったが、提案手法はベースラインと比較して再充電待機時間を30％短縮した。これは、より優れたスケジューリング効率を示している。
• シミュレーション全体を通して、提案手法はより高い平均の生存ロボット数を維持した。これは、最適化された再充電タイミングのおかげでロボットの生存率が向上したことを示している。
• 接続性の維持機能を除外した場合、システムの性能が低下した。これは、ネットワークの完全性が持続的なタスク効率とロボットの寿命に顕著な貢献をしていることを示している。
• デッドロック回避の統合により、生存ロボット数と宝物収集数が増加した。これは、タスク割り当て中の無限待機状態を効果的に防止できることを証明している。
• 係数 α=0.1、β=2、γ=0.1、δ=0.5 を用いたエネルギーモデルは、現実のエネルギー動態を正確に捉えており、信頼性の高いシミュレーションと性能評価を可能にした。