[论文解读] Adaptive Algorithms for Coverage Control and Space Partitioning in Mobile Robotic Networks

Jérôme Le Ny, George J. Pappas|arXiv (Cornell University)|Nov 2, 2010

Optimization and Search Problems参考文献 47被引用 5

一句话总结

本文提出了一种用于移动机器人网络的分布式随机梯度算法，以在事先不了解事件分布的情况下，实时自适应地优化覆盖范围、空间划分和动态车辆路径规划。通过利用随机梯度下降和Kantorovich对偶性，该算法仅依赖于局部观测即可收敛至最优配置，从而实现在资源受限平台上的简单且可扩展的部署。

ABSTRACT

This paper considers deployment problems where a mobile robotic network must optimize its configuration in a distributed way in order to minimize a steady-state cost function that depends on the spatial distribution of certain probabilistic events of interest. Moreover, it is assumed that the event location distribution is a priori unknown, and can only be progressively inferred from the observation of the actual event occurrences. Three classes of problems are discussed in detail: coverage control problems, spatial partitioning problems, and dynamic vehicle routing problems. In each case, distributed stochastic gradient algorithms optimizing the performance objective are presented. The stochastic gradient view simplifies and generalizes previously proposed solutions, and is applicable to new complex scenarios, such as adaptive coverage involving heterogeneous agents. Remarkably, these algorithms often take the form of simple distributed rules that could be implemented on resource-limited platforms.

研究动机与目标

• 使移动机器人网络能够自主优化其空间配置，以响应未知且动态发生的事件。
• 解决在事件空间分布初始未知但可随时间学习的情况下，以分布式方式部署机器人所面临的挑战。
• 将覆盖控制、空间划分和动态车辆路径规划统一于统一的随机梯度框架之下。
• 开发适用于低资源机器人平台的简单、可扩展且可实现的算法。
• 通过从观测到的事件位置进行自适应学习，确保收敛至最优配置。

提出的方法

• 将部署目标建模为随机优化问题，其中代价依赖于事件发生未知分布。
• 应用分布式随机梯度下降，基于对事件位置的局部观测，迭代更新机器人位置。
• 利用Kantorovich对偶性，将最优传输问题（用于空间划分）与对偶变量（权重）上的凹最大化问题相关联。
• 推导出自适应规则，使每个机器人基于本地事件频率和对偶变量更新其位置，而无需全局知识。
• 为对偶问题引入超梯度算法，在标准假设下保证收敛性。
• 采用广义Voronoi划分，根据代价函数和对偶权重将区域分配给机器人，实现工作负载均衡。

实验结果

研究问题

• RQ1 当事件的空间分布事先未知时，移动机器人网络如何实现实时自适应地优化其配置？
• RQ2 在缺乏事件分布全局知识的情况下，分布式随机梯度算法能否在覆盖控制和空间划分问题中收敛至最优配置？
• RQ3 如何仅利用事件发生的位置局部观测，自适应地解决动态车辆路径规划问题？
• RQ4 最优传输理论与机器人网络中的分布式空间划分之间存在何种关系？
• RQ5 能否为具有异构机器人或动态事件动态的复杂多智能体部署问题，推导出简单、可扩展且可实现的规则？

主要发现

• 所提出的自适应随机梯度算法即使在缺乏事件分布先验知识的情况下，也仅依赖于序列观测即可收敛至最优配置。
• 该算法具有可证明的收敛性，且可通过简单的本地规则实现，因此适用于资源受限的机器人平台。
• 在空间划分方面，通过在与机器人位置相关的权重上进行超梯度上升求解对偶问题，实现了工作负载的均衡分配。
• 区域到机器人的最优分配对应于由对偶变量导出的广义Voronoi划分，从而确保效率与公平性。
• 在动态车辆路径规划问题中，该算法在轻载交通条件下退化为覆盖控制策略，简化了先前方法的同时保持了最优性。
• 理论基础建立在Kantorovich对偶性之上，该理论建立了原始Monge-Kantorovich最优传输问题与对偶凹最大化问题之间的等价性。