[论文解读] Equitable Partitioning Policies for Mobile Robotic Networks

Marco Pavone, Alessandro Arsie+2 more|ArXiv.org|Mar 30, 2009

Optimization and Search Problems参考文献 18被引用 9

一句话总结

本文提出了一种空间分布式的自适应控制律，使移动智能体团队能够实现凸工作空间的凸性与公平性划分，确保每个智能体负责一个等测度的子区域。通过利用幂图（power diagrams）和受Lloyd算法启发的动力系统框架，该方法实现了可证明正确的、去中心化的收敛，达到公平划分，同时通过形状控制扩展以提升在动态路由和传感器网络中实际部署的可行性。

ABSTRACT

The most widely applied strategy for workload sharing is to equalize the workload assigned to each resource. In mobile multi-agent systems, this principle directly leads to equitable partitioning policies in which (i) the workspace is divided into subregions of equal measure, (ii) there is a bijective correspondence between agents and subregions, and (iii) each agent is responsible for service requests originating within its own subregion. In this paper, we design provably correct, spatially-distributed and adaptive policies that allow a team of agents to achieve a convex and equitable partition of a convex workspace, where each subregion has the same measure. We also consider the issue of achieving convex and equitable partitions where subregions have shapes similar to those of regular polygons. Our approach is related to the classic Lloyd algorithm, and exploits the unique features of power diagrams. We discuss possible applications to routing of vehicles in stochastic and dynamic environments. Simulation results are presented and discussed.

研究动机与目标

• 设计可证明正确的、空间分布式的自适应策略，用于移动机器人网络实现凸工作空间的公平划分。
• 通过在智能体间实现完全去中心化、本地计算，克服集中式公平划分的局限性。
• 将方法扩展至控制子区域形状（例如六边形），以提升在动态车辆路由等应用中的实用性。
• 将该框架应用于实际问题，如动态旅行维修工问题（DTRP），在特定条件下公平划分是最优的。
• 为计算几何领域提供新见解，特别是在幂图的动力学与公平凸划分方面。

提出的方法

• 利用幂图作为Voronoi图的推广，基于虚拟生成元（位置与权重）定义智能体的责任区域。
• 采用受Lloyd算法启发的动力系统方法，智能体通过迭代更新其虚拟生成元的位置与权重，以平衡各子区域的工作负载。
• 引入控制律，根据本地信息和工作负载度量λ(x)调整生成元的位置与权重，确保收敛至等测度子区域。
• 在初步算法中引入领导者选举机制以启动划分，但其在可扩展性与鲁棒性方面表现有限。
• 通过加权幂图引入形状控制，以偏好接近正多边形（如六边形）的子区域形状，降低行程低效性。
• 通过将智能体定位与区域分配解耦，为每个智能体分配一个虚拟生成元，实现其自身主导区域内的安全、无碰撞运行。

实验结果

研究问题

• RQ1 如何在无集中协调的情况下，以完全去中心化、空间局部化的方式实现凸工作空间的公平划分？
• RQ2 何种动力系统框架可仅依赖本地智能体信息，确保可证明收敛至公平划分？
• RQ3 能否控制公平划分中子区域的形状，以偏好实用且对称的形态（如六边形），从而降低行程成本？
• RQ4 所提出的算法如何应用于实时动态路由问题，如动态旅行维修工问题（DTRP）？
• RQ5 幂图的何种几何与拓扑特性可支持移动机器人网络中稳定、自适应且公平的划分？

主要发现

• 所提出的分布式控制律在均匀工作负载分布下平均误差为$3.8 \times 10^{-4}$，在高斯分布下为$3 \times 10^{-3}$，实现收敛至公平划分。
• 工作负载均衡的最大偏差（$\max \epsilon$）在均匀分布下被限制在0.016，高斯分布下为0.0053，表明精度极高。
• 均匀分布下，质量度量$Q_{\mathcal{V}}$的平均值与最小值分别为0.73与0.66；高斯分布下分别为0.75与0.69，表明划分稳健且形状良好。
• 仿真结果表明，相邻智能体子区域的平分线与它们的幂图邻居连线的中点附近相交，证实划分接近Voronoi结构且几何稳定。
• 当应用形状控制时，方法成功生成类似六边形的子区域，显著降低了动态路由应用中的行程低效性。
• 该框架通过为每个智能体分配仅在其自身动态维护的主导区域内服务，实现了DTRP中的安全、无碰撞运行。