[论文解读] A Scalable and Adaptable Multiple-Place Foraging Algorithm for Ant-Inspired Robot Swarms

Qi Lu, Melanie E. Moses+1 more|arXiv (Cornell University)|Dec 1, 2016

Robotic Path Planning Algorithms参考文献 18被引用 10

一句话总结

本文提出了一种多巢穴觅食算法（MPFA），这是一种可扩展的、去中心化的群体机器人策略，通过使用多个分布式巢穴来提高觅食效率。通过使机器人能够返回最近的巢穴，并利用遗传算法进化控制器参数，MPFA减少了旅行时间、碰撞次数和搜索时间，在大规模群体和高目标环境中优于中心化觅食算法（CPFA）。

ABSTRACT

Individual robots are not effective at exploring large unmapped areas. An alternate approach is to use a swarm of simple robots that work together, rather than a single highly capable robot. The central-place foraging algorithm (CPFA) is effective for coordinating robot swarm search and collection tasks. Robots start at a centrally placed location (nest), explore potential targets in the area without global localization or central control, and return the targets to the nest. The scalability of the CPFA is limited because large numbers of robots produce more inter-robot collisions and large search areas result in substantial travel costs. We address these problems with the multiple-place foraging algorithm (MPFA), which uses multiple nests distributed throughout the search area. Robots start from a randomly assigned home nest but return to the closest nest with found targets. We simulate the foraging behavior of robot swarms in the robot simulator ARGoS and employ a genetic algorithm to discover different optimized foraging strategies as swarm sizes and the number of targets are scaled up. In our experiments, the MPFA always produces higher foraging rates, fewer collisions, and lower travel and search time compared to the CPFA for the partially clustered targets distribution. The main contribution of this paper is that we systematically quantify the advantages of the MPFA (reduced travel time and collisions), the potential disadvantages (less communication among robots), and the ability of a genetic algorithm to tune MPFA parameters to mitigate search inefficiency due to less communication.

研究动机与目标

• 解决中心化觅食算法（CPFA）在大规模机器人集群和高目标环境中的可扩展性限制。
• 减少因密集机器人集群和大搜索区域导致的CPFA中机器人之间的碰撞和旅行成本。
• 开发一种无需中心协调、可随集群规模和目标数量自适应扩展的去中心化、自适应觅食策略。
• 评估在多巢穴觅食中通信范围、旅行效率与碰撞避免之间的权衡。
• 使用遗传算法自动调优机器人控制器参数，以在不同集群规模和目标数量下实现最优性能。

提出的方法

• 在搜索区域内均匀部署多个巢穴，以去中心化收集点并减少机器人旅行距离。
• 实现一种基于信息素的机器人控制器，通过在线决策在找到目标后返回最近的巢穴。
• 使用遗传算法（GA）进化一组七维实值控制器参数，以优化ARGoS多物理场仿真器中的觅食性能。
• 在4至64只机器人的集群和128至2048个目标的条件下进行仿真，比较MPFA与CPFA在相同条件下的表现。
• 通过信息素沉积和衰减机制引导机器人移动，当机器人接近上次找到的目标时触发巢穴切换。
• 通过关键指标（包括觅食率、碰撞时间、旅行时间与搜索时间）衡量性能，以评估可扩展性和效率。

实验结果

研究问题

• RQ1 随着集群规模增大，MPFA与CPFA在觅食率、碰撞频率、旅行时间和搜索时间方面有何差异？
• RQ2 在大规模机器人集群中，多个巢穴对碰撞避免和旅行效率有何影响？
• RQ3 MPFA中进化出的控制器参数如何适应目标数量和机器人集群规模的增加？
• RQ4 在MPFA与CPFA之间，通信范围（由于分布式信息素）与性能提升之间存在何种权衡？
• RQ5 遗传算法能否有效优化MPFA参数，以在不同环境尺度下保持高性能？

主要发现

• 对于4只机器人，MPFA的搜索时间比CPFA提升34%；对于64只机器人，提升19%，且随着集群规模增大，搜索时间的减少速度更快。
• 当目标数量增加时，MPFA的平均单目标旅行时间比CPFA减少最多31%，p值分别为0.03和0.05。
• MPFA中的碰撞时间显著低于CPFA，尤其在集群规模和目标数量增加时，表明其具有更好的拥堵管理能力。
• 随着集群规模或目标数量增加，MPFA的觅食率下降速度慢于CPFA，表现出更优的可扩展性。
• 遗传算法成功调优了MPFA参数，高目标场景下观察到信息素释放概率增加且衰减变慢。
• MPFA的性能优势不仅源于更短的旅行距离，还源于有效的碰撞避免，尤其在密集、大规模部署中表现突出。