[论文解读] A Multi-Robot Task Assignment Framework for Search and Rescue with Heterogeneous Teams

Hamid Osooli, Paul Robinette+2 more|arXiv (Cornell University)|Sep 22, 2023

Optimization and Search ProblemsComputer Science被引用 3

一句话总结

该论文提出了一种新颖的多阶段多机器人任务分配（MSMRTA）框架，用于在搜救任务中协调异构机器人团队，整合了侦察、基于能力的任务分配以及路径规划，采用优化与基于市场的竞标机制。与最先进的基线方法相比，规划时间减少了97%，显著提升了在复杂、灾后环境中多样化机器人能力与受难者需求下的效率。

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.

研究动机与目标

• 解决现有多机器人搜救系统中信息收集、任务分配与路径规划之间缺乏全面集成的问题。
• 通过整合机器人能力、受难者需求及历史表现数据，克服任务分配的时间复杂性。
• 通过多阶段框架实现高效、可扩展的任务分配，降低异构机器人团队的规划开销。
• 通过减少冗余规划并加速受难者分配，提升灾后场景下的实时响应能力。
• 提供可复现的开源解决方案，以支持未来在真实搜救行动中的研究与部署。

提出的方法

• 使用蚁群算法进行侦察阶段，以探索环境并收集受难者位置、需求及初始数据。
• 使用二值向量表示机器人能力和受难者需求，以进行兼容性分析。
• 采用K均值聚类算法，根据空间接近度和任务相似性对受难者与机器人进行分组。
• 实施两阶段任务分配：先进行基于优化的分配（B2），再通过基于市场的竞标（B3）根据能力和历史表现分配任务。
• 使用A*算法进行路径规划，以生成无碰撞、最优的前往指定受难者的路径。
• 集成性能分析（T^success, T^failure），根据历史机器人成功率优化任务分配。

实验结果

研究问题

• RQ1 如何在异构搜救机器人团队中有效集成侦察、任务分配与路径规划？
• RQ2 结合优化与基于市场的技术在多大程度上提升了任务分配的效率与可扩展性？
• RQ3 与现有最先进的方法相比，该框架在复杂、动态环境中如何显著减少规划时间？
• RQ4 机器人异质性与受难者需求多样性对任务分配性能与规划开销有何影响？
• RQ5 该框架能否在保持高任务分配成功率的同时，最小化冗余或次优的任务分配？

主要发现

• 在Map 1上，MSMRTA框架相较于MRGA基线，平均规划时间减少了97.70%；在其余三张地图上，减少比例分别为97.00%、96.93%和97.34%。
• 当机器人数量从2台增至10台，受难者数量从10人增至100人时，规划时间最多增加92.26%，但所有配置下仍显著低于基线水平。
• 模拟中所有10名受难者均被成功定位并分配，通过协调的机器人分配实现了100%的任务完成率。
• 该框架有效处理了部分匹配与完全匹配的能力情况，随着机器人-受难者实例数量增加，规划时间上升61.2%，表明在负载下具备良好的可扩展性。
• 利用历史表现数据（T^success, T^failure）通过优先分配更可靠的机器人执行高优先级任务，提升了分配准确性。
• GitHub上的开源实现支持完全可复现性，并为未来基准测试与新算法的扩展提供了支持。