[论文解读] Energy-Aware Multi-Robot Task Allocation in Persistent Tasks

Ehsan Latif, Yikang Gui+2 more|arXiv (Cornell University)|Dec 31, 2021

Modular Robots and Swarm Intelligence被引用 4

一句话总结

本文提出了一种用于执行持续觅食任务的多机器人系统之分布式、节能型任务分配算法，平衡能量消耗、充电与任务性能。通过使用动态能量阈值、去中心化决策以及通过随机化避免死锁，该方法相比贪婪基线提高了15%的机器人存活率和宝藏收集量，同时减少了充电等待时间。

ABSTRACT

The applicability of the swarm robots to perform foraging tasks is inspired by their compact size and cost. A considerable amount of energy is required to perform such tasks, especially if the tasks are continuous and/or repetitive. Real-world situations in which robots perform tasks continuously while staying alive (survivability) and maximizing production (performance) require energy awareness. This paper proposes an energy-conscious distributed task allocation algorithm to solve continuous tasks (e.g., unlimited foraging) for cooperative robots to achieve highly effective missions. We consider efficiency as a function of the energy consumed by the robot during exploration and collection when food is returned to the collection bin. Finally, the proposed energy-efficient algorithm minimizes the total transit time to the charging station and time consumed while recharging and maximizes the robot's lifetime to perform maximum tasks to enhance the overall efficiency of collaborative robots. We evaluated the proposed solution against a typical greedy benchmarking strategy (assigning the closest collection bin to the available robot and recharging the robot at maximum) for efficiency and performance in various scenarios. The proposed approach significantly improved performance and efficiency over the baseline approach.

研究动机与目标

• 为解决多机器人在持续任务中缺乏能量意识的问题，特别是在电池容量有限的实际场景中。
• 在持续觅食任务中，维持机器人存活率与网络连通性，同时最大化任务性能。
• 开发一种去中心化、可扩展的解决方案，实现觅食与充电的平衡，无需集中协调。
• 通过综合考虑移动与回收过程中的能量消耗以及充电动态，减少能量浪费，提升系统效率。
• 通过基于能量水平的状态转移与随机化决策，防止任务分配中的死锁。

提出的方法

• 该算法采用动态能量阈值：当能量降至20%（E_min）时，机器人返回充电站，确保生存而不发生过早耗尽。
• 采用分布式任务分配机制，机器人根据本地能量水平以及与收集箱或充电站的距离，自主决定是否进行觅食或充电。
• 通过最大连通图算法维护网络完整性，确保机器人保持在通信范围内，以支持信息共享与协调。
• 系统使用公式建模能量消耗：E_t = E_{t-1} - (α×1 + β×distance(t) + γ×isTreasurePicked)，其中α=0.1，β=2，γ=0.1，分别代表静态、动态与回收过程的能量成本。
• 充电过程建模为E_t = E_{t-1} + δ×1，δ=0.5，表示充电站的充电速率。
• 采用随机化任务分配决策的死锁避免策略，防止多个机器人同时竞争同一资源或充电站而陷入无限等待状态。

实验结果

研究问题

• RQ1 如何在分布式多机器人系统中高效平衡觅食与充电，以在确保机器人存活的前提下最大化任务性能？
• RQ2 何种能量阈值与决策规则可实现在持续任务中能量消耗与任务完成之间的最优权衡？
• RQ3 集成连通性维护如何影响机器人集群中节能型任务分配的性能与鲁棒性？
• RQ4 死锁避免在多机器人去中心化任务分配中在多大程度上提升了系统稳定性与性能？
• RQ5 与优先考虑距离与完全充电的贪婪策略相比，节能型任务分配在多大程度上表现更优？

主要发现

• 所提算法比贪婪基线多收集15个宝藏，比无死锁避免基线多收集5个，证明在持续觅食任务中性能更优。
• 尽管总行驶距离更长，但所提方法相比基线将充电等待时间减少了30%，表明调度效率更高。
• 该算法在整个仿真过程中保持了更高的平均存活机器人数量，表明通过优化充电时机显著提升了机器人存活率。
• 若排除连通性维护组件，系统性能显著下降，表明网络完整性对维持任务效率与机器人寿命具有重要贡献。
• 集成死锁避免机制后，存活机器人数量与宝藏收集量均增加，证明其能有效防止任务分配过程中的无限等待状态。
• 能量模型中系数α=0.1，β=2，γ=0.1，δ=0.5准确捕捉了真实世界中的能量动态，支持可靠仿真与性能评估。