[论文解读] Safe Coordination of Human-Robot Firefighting Teams

Esmaeil Seraj, Andrew Silva+1 more|arXiv (Cornell University)|Mar 16, 2019

Human-Automation Interaction and Safety参考文献 21被引用 11

一句话总结

本文提出了一种基于模型预测、具有概率安全性的分布式控制算法，用于无人机（UAV）参与的人机协同消防团队。通过将多步自适应扩展卡尔曼滤波（AEKF）与简化的FARSITE野火蔓延模型相结合，系统能够估计野火动态，并为消防员提供分析性、概率性的安全边界，确保在不同野火行为下实现安全协调的同时保持全面的火情覆盖。

ABSTRACT

Wildfires are destructive and inflict massive, irreversible harm to victims' lives and natural resources. Researchers have proposed commissioning unmanned aerial vehicles (UAVs) to provide firefighters with real-time tracking information; yet, these UAVs are not able to reason about a fire's track, including current location, measurement, and uncertainty, as well as propagation. We propose a model-predictive, probabilistically safe distributed control algorithm for human-robot collaboration in wildfire fighting. The proposed algorithm overcomes the limitations of prior work by explicitly estimating the latent fire propagation dynamics to enable intelligent, time-extended coordination of the UAVs in support of on-the-ground human firefighters. We derive a novel, analytical bound that enables UAVs to distribute their resources and provides a probabilistic guarantee of the humans' safety while preserving the UAVs' ability to cover an entire fire.

研究动机与目标

• 解决野火期间UAV与人类消防员之间缺乏实时、预测性协调的问题。
• 使UAV能够估计并预测野火蔓延动态及其不确定性，提升态势感知能力。
• 开发一种分布式控制算法，确保对地面消防员的 probabilistic（概率性）安全保证。
• 在最小化风险的同时保持全面的火情覆盖，通过分析性安全边界实现。
• 在多种野火行为场景下评估系统表现：静止、缓慢移动和快速蔓延的野火。

提出的方法

• 使用简化的FARSITE野火蔓延模型，基于燃料、风力和地形模拟野火动态。
• 采用多步自适应扩展卡尔曼滤波（AEKF）实时估计火线位置、速度及不确定性。
• 推导出一种新型分析性边界，用于UAV资源分配，确保对人类消防员的概率性安全。
• 通过车辆路径规划原理将UAV控制转化为基于轨迹的覆盖问题，实现分布式协调。
• 将UAV传感器数据投影到相对于火线的角度参数，以提高状态估计精度。
• 计算状态转移和观测的雅可比矩阵（F_t 和 H_t），用于基于EKF的预测与滤波。

实验结果

研究问题

• RQ1 UAV如何在动态野火事件中为人类消防员提供概率性安全保证？
• RQ2 分布式控制算法在确保人类安全的前提下，能在多大程度上维持全面的火情覆盖？
• RQ3 将预测性野火蔓延模型整合后，与仅依赖反应式覆盖的方法相比，如何提升UAV的协调性能？
• RQ4 在不同野火行为场景下，消防员安全作业时间的分析性边界是什么？
• RQ5 与现有UAV覆盖算法及强化学习技术相比，所提方法在性能上表现如何？

主要发现

• 所提算法在三种野火行为场景下（静止、缓慢移动、快速蔓延）均提供了分析性、概率性的安全作业时间上限。
• 系统在确保UAV不危及人类安全的前提下，维持了全面的火情覆盖，即使在野火动态不确定性较高的情况下亦成立。
• 实证评估表明，该方法在保持一致的火情追踪与安全性方面优于先前的UAV覆盖算法（如pham2017distributed）。
• 与强化学习基线相比，该方法在安全性与可预测性方面表现出更强的性能。
• 基于AEKF的火情状态估计可实现高精度、长时间的火线移动预测，且计算成本较低。
• 推导出的安全边界在多种野火条件下均有效，可为地面团队提供可操作的撤离时间预估。