[论文解读] 3, 2, 1, Drones Go! A Testbed to Take off UAV Swarm Intelligence for Distributed Sensing

Chuhao Qin, Fethi Candan+2 more|arXiv (Cornell University)|Aug 11, 2022

Distributed Control Multi-Agent Systems被引用 4

一句话总结

本文提出了一种低成本、室内的测试平台，结合真实无人机与投射的感知地图，用于研究智慧城市应用中无人机蜂群智能的分布式感知。该平台通过高度精确的能量消耗估算验证了去中心化的多智能体学习算法（EPOS），校准后误差仅为3.7%，展现出强大的真实感与可扩展性，适用于蜂群智能研究。

ABSTRACT

This paper introduces a testbed to study distributed sensing problems of Unmanned Aerial Vehicles (UAVs) exhibiting swarm intelligence. Several Smart City applications, such as transport and disaster response, require efficient collection of sensor data by a swarm of intelligent and cooperative UAVs. This often proves to be too complex and costly to study systematically and rigorously without compromising scale, realism and external validity. With the proposed testbed, this paper sets a stepping stone to emulate, within small laboratory spaces, large sensing areas of interest originated from empirical data and simulation models. Over this sensing map, a swarm of low-cost drones can fly allowing the study of a large spectrum of problems such as energy consumption, charging control, navigation and collision avoidance. The applicability of a decentralized multi-agent collective learning algorithm (EPOS) for UAV swarm intelligence along with the assessment of power consumption measurements provide a proof-of-concept and validate the accuracy of the proposed testbed.

研究动机与目标

• 为在无高昂成本或户外不确定性干扰的情况下，研究大规模、真实的无人机蜂群智能在分布式感知中的应用提供解决方案。
• 通过创建一个可扩展、低成本的室内测试平台，结合投射的感知地图与低成本无人机，弥合仿真与真实世界测试之间的差距。
• 验证在协同、去中心化的无人机导航与感知过程中，物理能量消耗建模的准确性。
• 展示去中心化的多智能体集体学习算法（EPOS）在蜂群环境中优化感知任务的适用性。
• 提供开放数据集与可复用的测试平台框架，以加速智慧城市中无人机蜂群智能的研究。

提出的方法

• 测试平台使用2D地面投射的感知地图（如交通流量或城市区域）来模拟真实世界的感知区域。
• 低成本无人机在基于网格的叠加层上导航并收集传感器数据，每个单元格代表一个感知目标。
• 去中心化的多智能体集体学习算法（EPOS）协调无人机导航，以最小化实际与所需传感器数据之间的不匹配。
• 在任务规划期间使用物理模型估算能量消耗，并与实际测量值进行对比验证。
• 记录校准时间并将其添加到估算能量中，以纠正初始高估，从而提高准确性。
• 系统比较了协同策略（EPOS）与贪婪策略（非协同）在能量使用、不匹配度和任务低效性方面的表现。

实验结果

研究问题

• RQ1 低成本室内测试平台能否准确模拟大规模分布式感知场景，涵盖真实环境与操作约束？
• RQ2 在协同导航与感知任务中，物理模型能否准确估算真实无人机的能量消耗？
• RQ3 与非协同的贪婪策略相比，EPOS算法在多大程度上减少了感知不匹配与任务低效性？
• RQ4 该测试平台能否在受控的实验室内环境中，支持具备高外部效度的去中心化蜂群智能算法验证？
• RQ5 校准时间的引入在多大程度上提升了真实无人机操作中能量消耗估算的准确性？

主要发现

• 校准后，测试平台实现了极高的能量消耗估算精度，最终误差范围为37.41至255.52焦耳，展现出强大的真实感。
• 校准后，估算值与实际能量消耗之间的误差极低，验证了物理模型在规划中的可靠性。
• 协同的EPOS策略将任务低效性降低至2.22%（而贪婪策略为26.11%），显著提升了感知覆盖范围。
• 协同方法的感知不匹配度（RSS）为0.0057，远低于贪婪策略的0.265，表明数据采集精度更高。
• 协同策略消耗能量35.53 kJ，而贪婪策略消耗较少（27.61 kJ），但以较差的覆盖范围和更高的低效性为代价。
• 该测试平台成功展示了在实验室内使用真实无人机研究复杂蜂群智能问题的可行性，具备高度可扩展性与外部效度。