[论文解读] Wheeled Robots playing Chain Catch: Strategies and Evaluation

Garima Agrawal, Kamalakar Karlapalem|arXiv (Cornell University)|Feb 20, 2016

Guidance and Control Systems参考文献 6被引用 4

一句话总结

本文提出了一种用于轮式机器人进行链式追捕游戏的多智能体系统，该游戏是一种动态追捕游戏，机器人通过组成链条来抓捕逃逸的智能体。通过基于成本模型的仿真与真实机器人实验，研究识别出滑动斜坡策略对逃逸者最为优越，而标记法对链条移动最为有效，展示了在仿真与物理环境中均成功实现协调与链条形成的成果。

ABSTRACT

Robots playing games that humans are adept in is a challenge. We studied robotic agents playing Chain Catch game as a Multi-Agent System (MAS). Our game starts with a traditional Catch game similar to Pursuit evasion, and further extends it to form a growing chain of predator agents to chase remaining preys. Hence Chain Catch is a combination of two challenges - pursuit domain and robotic chain formation. These are games that require team of robotic agents to cooperate among themselves and to compete with other group of agents through quick decision making. In this paper, we present a Chain Catch simulator that allows us to incorporate game rules, design strategies and simulate the game play. We developed cost model driven strategies for each of Escapee, Catcher and Chain. Our results show that Sliding slope strategy is the best strategy for Escapees whereas Tagging method is the best method for chain s movement in Chain Catch. We also use production quality robots to implement the game play in a physical environment and analyze game strategies on real robots. Our real robots implementation in different scenarios shows that game strategies work as expected and a complete chain formation takes place successfully in each game.

研究动机与目标

• 设计并实现一种用于轮式机器人进行链式追捕游戏的多智能体系统，该游戏是一种涉及链条形成的动态追捕游戏。
• 开发去中心化的、基于成本模型的逃逸者、追捕者及链条成员策略，以确保协调与防碰撞。
• 在仿真环境与真实物理机器人环境中评估这些策略。
• 分析不同移动与协调策略对游戏完成时间与成功率的影响。
• 展示在复杂追捕与队形任务中，实时去中心化机器人协调的可行性。

提出的方法

• 游戏在带有边界约束的矩形网格上建模，各智能体可移动至相邻单元格（包括对角线方向）。
• 基于成本模型驱动逃逸者（滑动斜坡、K 圆形、最大化距离）与链条成员（标记法、方差法、随机法）的策略，以平衡逃避、协调与队形形成。
• 链条约束要求每个成员（除两端外）在 1–2 个智能体直径范围内保持 1–2 个邻居，链条断裂将导致抓捕无效。
• 标记法使用一名领导者追踪逃逸者，其他链条成员则据此对齐以实现同步移动。
• 滑动斜坡策略引入一个虚拟斜坡，引导逃逸者远离角落与墙壁，从而减少早期被捕获的可能性。
• 真实机器人实验采用配备外部摄像头定位的物理机器人，验证策略在实时物理环境中的有效性。

实验结果

研究问题

• RQ1 在有界网格环境中，哪些去中心化策略可实现有效逃逸，以避免被追捕链条捕获？
• RQ2 不同链条移动策略（如标记法与方差法）如何影响链条形成与抓捕的完成时间？
• RQ3 逃逸者之间的相互协作在延迟被捕获方面发挥何种作用，相较于个体主义策略？
• RQ4 边界条件与墙壁接近度如何影响逃逸者与链条的表现？
• RQ5 仿真结果在多大程度上可推广至真实世界中的物理机器人实现？

主要发现

• 滑动斜坡策略优于所有其他逃逸者策略，显著延迟了被捕获时间，并减少了早期链条形成。
• 链条移动采用标记法可实现最短的游戏完成时间，且平均捕获步数最少。
• 当任意成员均可发起抓捕（情况-2）而非仅限于两端（情况-1）时，链条性能得到提升，平均完成时间减少。
• 带旋转的 K 圆形策略表现较差，因增加了与墙壁碰撞的风险，因此标准 K 圆形策略更为有效。
• 真实机器人实验证实，逃逸者与链条策略均按预期运行，所有测试场景中均成功实现链条形成。
• 仿真框架成功复现了真实世界动力学，验证了其作为多智能体追捕与队形策略测试平台的有效性。