【泡泡一分钟】异构多机器人系统中的弹性任务分配

每天一分钟，带你读遍机器人顶级会议文章

标题：Resilient Task Allocation in Heterogeneous Multi-Robot Systems

作者：Siddharth Mayya, Diego S. D’antonio, David Salda˜na, Vijay Kumar

来源：2021 IEEE International Conference on Robotics and Automation (ICRA)

编译：pandaman

审核：Zoe

这是泡泡一分钟推送的第 1019 篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

本文提出了一种针对恶劣环境条件下（如恶劣天气或对抗攻击）异构机器人任务弹性分配机制。我们的主要目标是确保为每个任务分配必要的资源级别，此资源级别由分配任务的机器人的聚合能力来衡量。通过跟踪外部扰动下的任务性能偏差，我们的框架量化了机器人能力（例如视觉感知或空中移动）受环境条件影响的程度。这使得基于优化的框架能够根据每个任务中最退化的能力灵活地为机器人重新分配任务。面对资源限制和不利的环境条件，我们的算法放宽了对某些任务对应的资源限制，从而表现出性能的优雅下降。在多机器人覆盖和目标跟踪场景中的模拟实验证明了所提出方法的有效性。

图1 本文提出的弹性任务分配框架的架构图。由机器人计算的任务性能差异（使用任务值函数V（i））由任务评估块以集中方式转换为能力退化分数。如果检测到性能发生了足够大的变化，则调用弹性任务分配算法，在考虑到机器人降级能力的同时，在任务之间重新分配机器人。

图2 弹性任务分配实验。（a）：CopperiaSim中的模拟场景。在（b）-（d）中，空中和地面机器人分别用红色和绿色圆圈表示；它们被分配在三项任务中：跟踪两个不同的目标，以及监测环境。在（c）中，地面机器人跟踪目标2在遇到（蓝色）低摩擦表面（由黄色椭圆示出）之后变得不动。所提出的算法确定地面机动能力受到影响，并部署两个空中机器人加入任务（由绿色椭圆突出显示），从而减轻故障的影响。在（d）中，在任务2附近描绘了需要额外机器人存在的感知故障。分配算法自主选择牺牲监控任务（编码为较低优先级任务）中的性能，并相应地重定向机器人（由（d）中的绿色椭圆突出显示）。

图3（左）与任务2（分别为D2,3和D2,4）相对应的空中和地面机动能力余量。如图所示，图2c中的地面机器人的移动故障由D2,4的减少所捕获。值低于0（由阴影区域表示）表示不再满足任务的要求。这会促使分配算法切换到不同的配置，从而减轻故障。（右）与任务2和3（分别为D2,2和D3,2）相对应的感测分辨率能力的裕度。由于任务2中的环境干扰（见图2d），能力裕度D2,2下降。弹性分配算法将机器人从任务3重新分配到任务2，确保D2,2保持在0以上，同时故意牺牲任务3中的性能

图4 能力裕度（见定义4）是由40个机器人组成的团队对覆盖和跟踪任务进行的20次随机试验得出的。这些线表示目标跟踪任务1和2的所有试验中最低的最坏情况能力裕度，对应于两种情况：使用和不使用事件触发任务分配算法。（a） （b）考虑任务分配优化程序中常数的随机化。在弹性重新分配被定期应用的情况下，任务的最坏情况能力裕度仍然非常接近于0，确保它们被有效执行（实线）。阴影区域表示试验结果的±1标准偏差。此外，（b）中的结果表明，对优化参数的调整不会显著改变算法的性能。

图5 与不同团队规模的弹性任务分配MIQP相对应的计算时间。如图所示，即使对于大型团队，解决时间也保持在1秒以下，使得算法适合以事件触发方式执行。垂直条表示模拟过程中计算时间的±一个标准偏差。

Abstract

This paper presents a resilient mechanism to allocate heterogeneous robots to tasks under difficult environmental conditions such as weather events or adversarial attacks. Our primary objective is to ensure that each task is assigned the requisite level of resources, measured as the aggregated capabilities of the robots allocated to the task. By keeping track of task performance deviations under external perturbations, our framework quantifies the extent to which robot capabilities (e.g., visual sensing or aerial mobility) are affected by environmental conditions. This enables an optimization-based framework to flexibly reallocate robots to tasks based on the most degraded capabilities within each task. In the face of resource limitations and adverse environmental conditions, our algorithm relaxes the resource constraints corresponding to some tasks, thus exhibiting a graceful degradation of performance. Simulated experiments in a multi-robot coverage and target tracking scenario demonstrate the efficacy of the proposed approach.

如果你对本文感兴趣，请点击点击阅读原文下载完整文章，如想查看更多文章请关注【泡泡机器人SLAM】公众号（paopaorobot_slam）。

百度网盘提取码：ixvv

欢迎来到泡泡论坛，这里有大牛为你解答关于SLAM的任何疑惑。

有想问的问题，或者想刷帖回答问题，泡泡论坛欢迎你！

泡泡网站：www.paopaorobot.org

泡泡论坛：http://paopaorobot.org/bbs/

商业合作及转载请联系[email protected]