[논문 리뷰] A Multi-Robot Task Assignment Framework for Search and Rescue with Heterogeneous Teams

Hamid Osooli, Paul Robinette외 2명|arXiv (Cornell University)|2023. 09. 22.

Optimization and Search ProblemsComputer Science인용 수 3

한 줄 요약

이 논문은 재난 후 복잡한 환경에서 다양한 로봇 능력과 피해자 요구사항을 고려한 비동질적 로봇 팀을 대상으로, 탐색, 능력 기반 작업 할당, 경로 계획을 최적화 및 시장 기반 입찰 기법을 통해 통합한 새로운 다단계 다로봇 작업 할당(MSMRTA) 프레임워크를 제안한다. 이 프레임워크는 최첨단 기준 대비 계획 시간을 97% 감소시켜, 재난 후 복잡한 환경에서의 효율성을 크게 향상시킨다.

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.

연구 동기 및 목표

• 기존의 다로봇 재난 구조 시스템에서 정보 수집, 작업 할당, 경로 계획 간의 종합적인 통합이 부족한 문제를 해결한다.
• 로봇 능력, 피해자 요구사항, 이전 성과 데이터를 통합하여 작업 할당의 시간 복잡도를 완화한다.
• 계획 오버헤드를 줄이는 다단계 프레임워크를 통해 비동질적 로봇 팀에서 효율적이고 확장 가능한 작업 할당을 가능하게 한다.
• 중복된 계획을 최소화하고 피해자 할당을 가속화하여 실시간 반응성을 향상시켜 재난 후 상황에서의 적응력을 높인다.
• 다음 연구 및 실제 재난 구조 운영에 기여할 수 있도록 재현 가능하고 오픈소스로 제공되는 솔루션을 제공한다.

제안 방법

• 환경 탐색과 피해자 위치, 요구사항, 초기 데이터 수집을 위해 개미 군집 알고리즘을 활용한 탐색 단계를 도입한다.
• 호환성 분석을 위해 로봇 능력과 피해자 요구사항을 이진 벡터로 표현한다.
• 공간적 근접성과 작업 유사성 기반으로 피해자와 로봇을 K-평균 군집화로 그룹화한다.
• 최적화 기반 할당(B2)과 시장 기반 입찰(B3)의 이중 단계 할당을 구현하여 능력과 성과 이력에 기반한 작업 할당을 수행한다.
• 충돌이 없는 최적 경로를 생성하기 위해 A* 알고리즘을 사용하여 경로 계획을 수행한다.
• 역사적 로봇 성공률을 반영하기 위해 성능 분석(T^success, T^failure)을 통합하여 작업 할당을 정교화한다.

실험 결과

연구 질문

• RQ1 비동질적 재난 구조 팀에서 탐색, 작업 할당, 경로 계획을 효과적으로 통합할 수 있는 다로봇 작업 할당 프레임워크는 어떻게 설계할 수 있는가?
• RQ2 최적화 기법과 시장 기반 기법을 조합함으로써 작업 할당의 효율성과 확장성은 어느 정도 향상되는가?
• RQ3 복잡하고 동적인 환경에서 기존 최첨단 기술 대비 이 프레임워크는 계획 시간을 얼마나 줄이는가?
• RQ4 로봇의 비동질성과 피해자 요구사항의 다양성은 작업 할당 성능과 계획 오버헤드에 어떤 영향을 미치는가?
• RQ5 이 프레임워크는 중복되거나 비최적의 작업 할당을 최소화하면서도 높은 할당 성공률을 유지할 수 있는가?

주요 결과

• MSMRTA 프레임워크는 MRGA 기준 대비 Map 1에서 평균 97.70%의 계획 시간 감소를 기록했으며, 나머지 세 지도에서는 각각 97.00%, 96.93%, 97.34% 감소를 기록했다.
• 로봇 수를 2에서 10으로, 피해자 수를 10에서 100으로 확장할 경우 계획 시간이 최대 92.26% 증가했지만, 모든 구성에서 기준 대비 여전히 유의미하게 낮은 수준을 유지했다.
• 모든 10명의 피해자가 시뮬레이션에서 성공적으로 탐색되고 할당되었으며, 조율된 로봇 할당을 통해 100% 작업 이행률을 달성했다.
• 부분적 및 완전한 능력 매칭을 효과적으로 처리했으며, 로봇-피해자 인스턴스 증가에 따라 계획 시간이 61.2% 증가했지만, 부하가 증가하더라도 확장성을 유지함을 시사했다.
• 성과 이력(T^success, T^failure)을 활용함으로써 고도의 우선순위 작업에 대해 더 신뢰할 수 있는 로봇을 선호함으로써 할당 정확도가 향상되었다.
• GitHub에 공개된 오픈소스 구현은 완전한 재현 가능성을 보장하며, 향후 벤치마킹 및 새로운 알고리즘 통합을 위한 기반을 제공한다.