[论文解读] Risk-aware Resource Allocation for Multiple UAVs-UGVs Recharging Rendezvous

Ahmad Asghar, Guangyao Shi+5 more|arXiv (Cornell University)|Sep 13, 2022

UAV Applications and Optimization被引用 4

一句话总结

本文提出了一种风险感知的资源分配框架，用于协调多个无人机（UAV）和地面无人车（UGV）在持续监控任务中的协作，其中无人机由于能量消耗的随机性，必须定期与地面无人车会合以重新充电。该文将风险感知再充电会合问题（RRRP）建模为带匹配约束和背包约束的整数线性规划（ILP），并提出一种双准则近似算法，在航程成本与故障概率之间实现平衡，相较于精确的ILP求解方法，显著提升了可扩展性并实现了接近最优的性能。

ABSTRACT

We study a resource allocation problem for the cooperative aerial-ground vehicle routing application, in which multiple Unmanned Aerial Vehicles (UAVs) with limited battery capacity and multiple Unmanned Ground Vehicles (UGVs) that can also act as a mobile recharging stations need to jointly accomplish a mission such as persistently monitoring a set of points. Due to the limited battery capacity of the UAVs, they sometimes have to deviate from their task to rendezvous with the UGVs and get recharged. Each UGV can serve a limited number of UAVs at a time. In contrast to prior work on deterministic multi-robot scheduling, we consider the challenge imposed by the stochasticity of the energy consumption of the UAV. We are interested in finding the optimal recharging schedule of the UAVs such that the travel cost is minimized and the probability that no UAV runs out of charge within the planning horizon is greater than a user-defined tolerance. We formulate this problem ({Risk-aware Recharging Rendezvous Problem (RRRP))} as an Integer Linear Program (ILP), in which the matching constraint captures the resource availability constraints and the knapsack constraint captures the success probability constraints. We propose a bicriteria approximation algorithm to solve RRRP. We demonstrate the effectiveness of our formulation and algorithm in the context of one persistent monitoring mission.

研究动机与目标

• 解决长期协作无人机-地面无人车任务中无人机能量消耗的随机性带来的挑战，避免因电池耗尽导致任务失败。
• 在确保任意一架无人机电量耗尽的概率低于用户定义容限的前提下，最小化无人机总航程成本。
• 开发一种可扩展的协调策略，高效调度多架无人机与有限再充电能力的地面无人车间的再充电会合。
• 在无人机必须偏离任务路径进行再充电的持续监控场景中，平衡任务性能与风险容忍度。

提出的方法

• 将风险感知再充电会合问题（RRRP）建模为带匹配约束（用于建模地面无人车再充电容量）和背包约束（用于强制执行故障概率边界）的整数线性规划（ILP）。
• 提出一种双准则近似算法，通过平衡航程成本与风险容忍度，提供理论性能保证，并利用问题的结构特性。
• 采用受拉格朗日松弛启发的技术对问题进行分解，推导出高效解法，避免了先前精确方法的指数级扩展。
• 采用滚动时域策略，在有限时域内迭代求解RRRP，提升适应性与运行时性能。
• 使用ILP求解器（如MATLAB的intlinprog）作为基线进行对比，验证近似算法的性能与可扩展性。
• 通过仿真评估，采用平均故障前时间、行程时间开销和再充电偏离次数等指标评估性能。

实验结果

研究问题

• RQ1 如何优化无人机-地面无人车再充电调度，以最小化航程成本，同时确保无人机电池耗尽的概率不超过用户定义的上限？
• RQ2 在具有随机无人机能量消耗的持续监控任务中，任务性能（如行程时间开销）与风险容忍度之间的权衡关系是什么？
• RQ3 与精确的ILP求解相比，双准则近似算法是否能在显著提升运行时可扩展性的同时实现接近最优的性能？
• RQ4 与在固定电池阈值（如30%、40%、50%）触发再充电的贪心基线方法相比，所提算法在故障鲁棒性与航程效率方面表现如何？

主要发现

• 所提出的双准则近似算法在各种问题规模下，平均性能达到最优ILP解的15%以内，且随着问题规模增大，性能进一步提升。
• 对于包含最多60,500个变量的问题实例，该算法的运行时间最高可达ILP求解器的七倍，展现出强大的可扩展性。
• 尽管ILP能为给定时域最优求解RRRP，该算法在行程时间开销方面仍优于ILP，可能归因于滚动时域策略带来的更好适应性。
• 与贪心基线（Greedy-30、Greedy-40、Greedy-50）相比，所提方法实现了更长的首次故障前平均时间与更低的行程时间开销，表明其能有效避免不必要的再充电偏离。
• 随着风险容忍度降低（即故障概率边界更严格），首次故障前的平均时间增加，同时行程时间开销与再充电偏离次数也上升，验证了安全与效率之间的预期权衡。
• 每轮规划周期内的平均会合次数保持较低水平，表明该算法在维持可靠性的同时避免了过度频繁的再充电调度。