[论文解读] An Integrated Decision and Control Theoretic Solution to Multi-Agent Co-Operative Search Problems

Titas Bera, Rajarshi Bardhan+1 more|arXiv (Cornell University)|Apr 24, 2017

Distributed Control Multi-Agent Systems参考文献 27被引用 4

一句话总结

该论文提出了一种去中心化、基于感知的多智能体协同搜索决策与控制框架，适用于无通信的未知环境。通过基于RRT的随机轨迹规划与对智能体行为的估计，该方法在位置估计误差高达4米的情况下，实现了比随机搜索低70%的不确定性与88%更少的碰撞，展现出鲁棒的协同搜索能力。

ABSTRACT

This paper considers the problem of autonomous multi-agent cooperative target search in an unknown environment using a decentralized framework under a no-communication scenario. The targets are considered as static targets and the agents are considered to be homogeneous. The no-communication scenario translates as the agents do not exchange either the information about the environment or their actions among themselves. We propose an integrated decision and control theoretic solution for a search problem which generates feasible agent trajectories. In particular, a perception based algorithm is proposed which allows an agent to estimate the probable strategies of other agents' and to choose a decision based on such estimation. The algorithm shows robustness with respect to the estimation accuracy to a certain degree. The performance of the algorithm is compared with random strategies and numerical simulation shows considerable advantages.

研究动机与目标

• 解决在无通信约束下，智能体无法共享传感器数据或动作信息时，在未知环境中进行协同多智能体搜索的挑战。
• 开发一种去中心化解决方案，使智能体在缺乏直接通信的情况下，通过估计其他智能体的动作与环境状态，实现有效协调。
• 在具有真实车辆动力学的动态、不确定环境中，提升搜索效率与鲁棒性，优于随机搜索策略。
• 在对邻近智能体感知不完善的情况下，确保低碰撞率与均匀的环境不确定性降低。

提出的方法

• 智能体采用基于感知的方法，估计邻近智能体的可能动作，并将这些估计整合到其本地决策过程中。
• 采用基于快速扩展随机树（RRT）的随机轨迹生成方法，在不确定性条件下计算可行且无碰撞的路径。
• 每个智能体使用时间平均值与方差指标对网格单元中的环境不确定性维护信念状态，并根据传感器观测结果进行更新。
• 本地目标函数整合了对其他智能体行为的感知与环境不确定性降低，实现在无通信条件下的去中心化协调。
• 车辆动力学采用非完整运动学模型（x, y, θ, v, φ），状态估计包含±2米至±4米的位置误差方差。
• 通过500次蒙特卡洛仿真评估不同智能体数量、感知半径与估计误差下的性能表现。

实验结果

研究问题

• RQ1 在无通信条件下，基于感知他人动作的去中心化多智能体搜索系统能否实现协调行为？
• RQ2 邻近智能体位置的估计误差如何影响整体搜索性能与不确定性降低？
• RQ3 所提出的基于感知的方法在不确定性降低与碰撞规避方面，相较于随机搜索的优越程度如何？
• RQ4 该方法对感知智能体行为与环境状态的不准确性是否具有鲁棒性？

主要发现

• 在500次仿真试验中，所提方法相比随机搜索，平均环境不确定性降低了约70%。
• 即使存在高达±4米的估计误差，平均单元不确定性仍保持稳定，表明对感知不准确性具有强鲁棒性。
• 该方法每轮试验仅平均发生0.7次碰撞，而随机搜索为6.0次，表明协调性能更优。
• 在所有误差水平下，单元不确定性方差均保持在0.15以下，表明搜索覆盖均匀且一致。
• 该算法表现出τ-概率完备性，确保随时间推移以高概率收敛至解。
• 随着智能体数量增加，性能提升：n=10时的不确定性显著低于n=6，且收敛速度更快。