[論文レビュー] Multi-UAV Visual Coverage of Partially Known 3D Surfaces: Voronoi-based Initialization to Improve Local Optimizers

Alessandro Renzaglia, Jilles Dibangoye+2 more|arXiv (Cornell University)|Jan 29, 2019

Distributed Control Multi-Agent Systems参考文献 14被引用数 6

ひとこと要約

本稿では、部分的に未知の3次元環境におけるマルチUAVの視覚的カバレッジを最適化する2段階の最適化手法を提案する。粗い表面近似上に制約付き重心ボロノイタイル化（CVT）を適用し、高品質な初期UAV配置を生成する。この初期化は、後続のオンラインで微分不能な確率的最適化の性能を顕著に向上させ、収束時間の短縮と局所最適解への陥落リスクの低減を実現する。シミュレーションでは、ランダム初期化と比較して最大0.91の最終的カバレッジと30％の高速化を達成した。

ABSTRACT

In this paper we study the problem of steering a team of Unmanned Aerial Vehicles (UAVs) toward a static configuration which maximizes the visibility of a 3D environment. The UAVs are assumed to be equipped with visual sensors constrained by a maximum sensing range and the prior knowledge on the environment is considered to be very sparse. To solve this problem on-line, derivative-free measurement-based optimization algorithms can be adopted, even though they are strongly limited by local optimality. To overcome this limitation, we propose to exploit the partial initial knowledge on the environment to find suitable initial configurations from which the agents start the local optimization. In particular, a constrained centroidal Voronoi tessellation on a coarse approximation of the surface to cover is proposed. The behavior of the agent is so based on a two-step optimization approach, where a stochastic optimization algorithm based on the on-line acquired information follows the geometrical-based initialization. The algorithm performance is evaluated in simulation and in particular the improvement on the solution brought by the Voronoi tessellation with respect to different initializations is analyzed.

研究の動機と目的

• 部分的に未知の3次元環境におけるUAVチームによる最適な視覚的カバレッジを達成する課題に対処すること。
• 幾何的初期化を通じて疎な環境の事前知識を活用することで、微分不能な最適化における局所最適解への陥落リスクを低減すること。
• 構造的な初期化フェーズを用いて、オンライン測定に基づく最適化アルゴリズムの収束速度と最終的カバレッジ性能を向上させること。
• 制約付き重心ボロノイタイル化（CVT）が、複雑で現実に近い状況におけるUAVの事前配置戦略として有効であることを検証すること。

提案手法

• 環境の粗い近似3次元表面上で制約付き重心ボロノイタイル化（CVT）を計算し、初期UAV展開配置を生成する。
• CVTは表面全体にわたるUAVの均等な分布を保証し、標的領域までの距離を最小化し、バランスの取れたカバレッジを促進する。
• 初期配置は、リアルタイムの可視性フィードバックを用いて位置を最適化する微分不能で測定に基づく確率的最適化アルゴリズム（CAO）の初期値として使用される。
• 最適化プロセスはオンラインセンサ測定を用いて、可視性関数の正確な解析的モデルが不要な状態でUAVの位置を更新する。
• 幾何的初期化（CVT）と反復的確率的精錬（CAO）を組み合わせることで、探索と活用のバランスをとる。
• 本手法は、GazeboとROSを用いたシミュレーションで評価され、限られたセンシング範囲や動的障害物といった現実世界の制約を再現している。

実験結果

リサーチクエスチョン

• RQ1 制約付きCVTに基づく幾何的初期化は、オンラインで微分不能な最適化におけるマルチUAV視覚的カバレッジの性能を顕著に向上させるか？
• RQ2 CVTに基づく初期化は、ランダムまたはヒューリスティックな初期化と比較して、最終的カバレッジと収束速度の点でどのように異なるか？
• RQ3 疎な事前知識（例：境界点と中心点）をどれだけ活用すれば、近似的に最適なカバレッジ配置を達成できるか？
• RQ4 2段階のアプローチ（CVT＋確率的最適化）は、劣悪な局所最適解への収束確率を低減するか？

主な発見

• CVTに基づく初期化は平均で0.91の最終的カバレッジ（標準偏差0.02）を達成し、ランダム初期化を顕著に上回った。
• 4つの境界点と1つの中心点からなるピラミッド近似でさえ、初期カバレッジが0.78に達したため、疎な事前知識に対しても高いロバスト性を示した。
• CVTで初期化された場合、非初期化または不適切な初期化と比較して最適化プロセスの収束が30％速くなった。
• 4台のAR.Droneを用いた現実的Gazeboシミュレーションでは、CVT初期化配置がクラスタリング初期化よりも高いカバレッジに到達し、より速く収束した。
• 疎な事前知識を用いた場合の最終的カバレッジ性能は、より情報量の多い近似を用いた場合とほとんど差がなく、CVTの初期化品質の差を補う有効性を示した。
• 複数のテスト環境にわたる一貫した高い安定したカバレッジ結果から、劣悪な局所最適解に陥るリスクが低減されたことが裏付けられた。