[论文解读] Needs-driven Heterogeneous Multi-Robot Cooperation in Rescue Missions

Qin Yang, Ramviyas Parasuraman|arXiv (Cornell University)|Sep 1, 2020

Robotic Path Planning Algorithms参考文献 38被引用 6

一句话总结

本文提出一种面向城市搜救（USAR）任务的、以需求为驱动的异构多机器人系统，采用行为树建模机器人需求层次。通过理论分析与仿真验证，相较于同质化团队，异构协作能提升群体效用、降低能耗并增强系统鲁棒性。

ABSTRACT

This paper focuses on the teaming aspects and the role of heterogeneity in a multi-robot system applied to robot-aided urban search and rescue (USAR) missions. We propose a needs-driven multi-robot cooperation mechanism represented through a Behavior Tree structure and evaluate the system's performance in terms of the group utility and energy cost to achieve the rescue mission in a limited time. From the theoretical analysis, we prove that the needs-driven cooperation in a heterogeneous robot system enables higher group utility than a homogeneous robot system. We also perform simulation experiments to verify the proposed needs-driven collaboration and show that the heterogeneous multi-robot cooperation can achieve better performance and increase system robustness by reducing uncertainty in task execution. Finally, we discuss the application to human-robot teaming.

研究动机与目标

• 通过智能机器人协同，解决在动态、危险环境中提升搜救任务性能的挑战。
• 研究机器人异质性与需求驱动协作如何提升城市搜救（USAR）任务中的系统效用与鲁棒性。
• 通过基于行为树的机器人需求层次结构，形式化多机器人协作机制，以平衡个体与群体性能。
• 通过理论分析与仿真评估系统性能，重点关注群体效用与能效。
• 通过将人类需求与能力整合进协作模型，将框架扩展至支持人机协同。

提出的方法

• 使用行为树对机器人需求进行分层建模，节点代表条件（Con）、动作（Act）、感知（Pe）、安全（Sa）、基本需求（BN）、能力（Ca）、计划（Pl）、协商（Ne）以及协议/执行（A&E）。
• 通过三种机器人类型形式化救援任务：运输者（UGVs）负责物资运输，供应者（UAVs）负责感知与补给，观察者（UAVs）负责监视与数据共享。
• 理论分析推导出群体效用与能耗函数，用于在时间约束下比较异构与同质机器人系统。
• 通过同质与异构机器人团队在多种场景下的仿真，评估性能、不确定性与鲁棒性。
• 通过建模人类安全、能力与信任度，将人类需求整合进框架，实现自适应人机协同。
• 采用智能体建模，使机器人能够实时学习人类行为并动态调整协作策略。

实验结果

研究问题

• RQ1 基于机器人需求的异构机器人协作相较于同质团队，在USAR任务中如何提升群体效用？
• RQ2 在动态、不确定的救援环境中，需求驱动协作对能效与系统鲁棒性有何影响？
• RQ3 基于行为树的需求层次是否能有效协调异构机器人，在时间约束下实现任务目标？
• RQ4 如何将人类需求整合进机器人协作模型，以实现在救援行动中高效的人机协同？
• RQ5 需求驱动协作在多机器人救援任务中，能在多大程度上降低性能不确定性并提升系统稳定性？

主要发现

• 理论分析证明，异构多机器人系统中基于需求驱动的协作，其群体效用高于同质系统。
• 仿真结果表明，异构多机器人协作相比同质配置，能显著降低整体能耗。
• 异构协作降低了性能不确定性（以试验间偏差衡量），表明系统具备更强的鲁棒性与稳定性。
• 非协作场景的表现劣于所有协作变体，证实了协调、需求驱动交互的优越性。
• 异构团队因任务执行变异性降低与更强的抗扰能力，在不确定环境中展现出更优的适应性。
• 将人类需求整合进框架后，实现了更可靠、更可信的人机协同，支持更安全高效的任务执行。