[論文レビュー] Multi-UAV Routing for Persistent Intelligence Surveillance & Reconnaissance Missions

Satyanarayana G. Manyam, Steven A. Rasmussen+3 more|arXiv (Cornell University)|Feb 27, 2017

Optimization and Search Problems参考文献 12被引用数 8

ひとこと要約

本稿では、恒久的インテリジェンス・サプライズ・レコノイトランス（PISR）ミッションにおけるマルチUAVルーティングのため、混合整数線形プログラミング（MILP）アプローチと木探索ヒューリスティクスを提案する。最大データ配信遅延を最小化するとともに、タスクの再訪問周期制約を満たす。MILP定式化（F1およびF3）は優先順位に基づく再訪問レートのサイクル長制約を保証し、ヒューリスティクスは20タスクインスタンスにおいて11秒未塔で近似的最適解を達成し、迅速なオンボード再計画を可能にする。

ABSTRACT

We consider a Persistent Intelligence, Surveillance and Reconnaissance (PISR) routing problem, which includes collecting data from a set of specified task locations and delivering that data to a control station. Each task is assigned a refresh rate based on its priority, where higher priority tasks require higher refresh rates. The UAV team's objective is to minimize the maximum of the delivery times of all the tasks' data to the control station, while simultaneously, satisfying each task's revisit period constraint. The centralized path planning problem for this PISR routing problem is formulated using mixed integer linear programming and solved using a branch-and-cut algorithm. Heuristics are presented to find sub-optimal feasible solutions that require much less computation time. The algorithms are tested on several instances and their performance is compared with respect to the optimal cost and computation time.

研究の動機と目的

• 恒久的ISRミッションにおいて、タスク場所からコントロールステーションへの最大データ配信遅延（レイテンシ）を最小化すること。
• 優先度に基づく再訪問周期制約を満たし、高優先度タスクをより頻繁に監視すること。
• 恒久的監視シナリオにおける複数の同種UAVの効率的な集中型パスプランニングアルゴリズムを開発すること。
• 計算コストが低いヒューリスティクスにより、動的ミッション変更に対する迅速な再計画を可能とすること。

提案手法

• PISRルーティング問題をサイクル長制約付きの複数巡回セールスマン問題として定式化し、混合整数線形プログラミング（MILP）を用いる。
• 各タスクの再訪問期間制限を強制するための特殊な制約を備えた、2つの新規MILP定式化（F1およびF3）を考案する。
• 時間制限内に最適または近似的最適解を得るために、ブランチアンドカット法を用いてMILP定式化を解く。
• 割り当て木探索に基づく木探索ヒューリスティクスを導入し、迅速に部分最適な実行可能解を生成する。
• 無限時間スパンを扱うために、定期的に有限時間の計画問題を解くリコイルホライズンアプローチを採用する。
• 10、20、30タスクのランダムインスタンスを用いてモデルを検証し、最適コストと計算時間を比較する。

実験結果

リサーチクエスチョン

• RQ1 優先順位に基づく再訪問制約を満たすマルチUAV恒久的ISRミッションにおいて、最大データ配信遅延をどのように最小化できるか？
• RQ2 UAVルーティングにおけるタスク再訪問期間のサイクル長制約を効果的にモデル化するためのMILP定式化は何か？
• RQ3 解の品質と計算時間の観点から、提案されたMILP定式化の性能はどのように比較できるか？
• RQ4 高速ヒューリスティクスは、リアルタイムまたはオンボード再計画用途において、最適解に近い実行可能解を生成できるか？
• RQ5 異なる問題サイズにおいて、解の品質と計算時間のトレードオフはどのようなものか？

主な発見

• F3定式化はF1よりも解の品質と計算時間の両面で優れており、10タスクおよび20タスクインスタンスのすべてで最適解を発見した。
• 10タスクインスタンスでは10/10、20タスクでは4/10、30タスクでは10/30で最適解が得られたが、大規模インスタンスでは収束が遅かった。
• 木探索ヒューリスティクスは、すべてのインスタンスで11ミリ秒未塔でベストファースト検索解、11秒未塔で最終解を生成し、最適解の50％以内のコストを達成した。
• 30タスクインスタンスでは、ヒューリスティクスが10.7秒未塔で実行可能解を発見したが、MILPは時間制限内に最適解に収束しなかった。
• ヒューリスティクスの低コスト計算時間と高い実行可能性から、動的ミッション条件下でのオンボード再計画に適している。
• MILP定式化の計算効率を向上させるために、より良い有効不等式の導出が今後の課題であると判明した。