Information gathering (IG) algorithms aim to intelligently select the mobile robotic sensor actions required to efficiently obtain an accurate reconstruction of a physical process, such as an occupancy map, a wind field, or a magnetic field. Recently, multiple IG algorithms that benefit from multi-robot cooperation have been proposed in the literature. Most of these algorithms employ discretization of the state and action spaces, which makes them computationally intractable for robotic systems with complex dynamics. Moreover, they cannot deal with inter-robot restrictions such as collision avoidance or communication constraints. This paper presents a novel approach for multi-robot information gathering (MR-IG) that tackles the two aforementioned restrictions: (i) discretization of robot's state space, and (ii) dealing with inter-robot constraints. Here we propose an algorithm that employs: (i) an underlying model of the physical process of interest, (ii) sampling-based planners to plan paths in a continuous domain, and (iii) a distributed decision-making algorithm to enable multi-robot coordination. In particular, we use the max-sum algorithm for distributed decision-making by defining an information-theoretic utility function. This function maximizes IG, while fulfilling inter-robot communication and collision avoidance constraints. We validate our proposed approach in simulations, and in a field experiment where three quadcopters explore a simulated wind field. Results demonstrate the effectiveness and scalability with respect to the number of robots of our approach.

中文翻译：

---

时空跨机器人约束下的分布式多机器人信息收集。

信息收集（IG）算法旨在智能地选择有效地获得物理过程（例如占用图，风场或磁场）的准确重建所需的移动机器人传感器动作。最近，文献中提出了受益于多机器人合作的多种IG算法。这些算法大多数都采用状态空间和动作空间的离散化，这使得它们对于具有复杂动力学的机器人系统在计算上难以处理。而且，它们无法处理机器人间的限制，例如避免碰撞或通信限制。本文提出了一种新颖的多机器人信息收集方法（MR-IG），该方法解决了上述两个限制：（i）离散化机器人的状态空间，（ii）处理机器人间的约束。在这里，我们提出一种算法，该算法采用：（i）感兴趣的物理过程的基础模型；（ii）基于采样的规划人员来规划连续域中的路径；以及（iii）分布式决策算法以实现多机器人协调。特别是，我们通过定义信息理论效用函数，将max-sum算法用于分布式决策。此功能可最大化IG，同时满足机器人之间的通信和避免碰撞的约束。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。（i）感兴趣的物理过程的基础模型；（ii）基于采样的计划者，以计划连续域中的路径；以及（iii）分布式决策算法，以实现多机器人协作。特别是，我们通过定义信息理论效用函数，将max-sum算法用于分布式决策。此功能可最大化IG，同时满足机器人之间的通信和避免碰撞的约束。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。（i）感兴趣的物理过程的基础模型；（ii）基于采样的计划者，以计划连续域中的路径；（iii）分布式决策算法，以实现多机器人协作。特别是，我们通过定义信息理论效用函数，将max-sum算法用于分布式决策。此功能可最大化IG，同时满足机器人之间的通信和避免碰撞的约束。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。（iii）分布式决策算法，可实现多机器人协作。特别是，我们通过定义信息理论效用函数，将max-sum算法用于分布式决策。此功能可最大化IG，同时满足机器人之间的通信和避免碰撞的约束。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。（iii）分布式决策算法，可实现多机器人协作。特别是，我们通过定义信息理论效用函数，将max-sum算法用于分布式决策。此功能可最大化IG，同时满足机器人之间的通信和避免碰撞的约束。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。我们在仿真和野外实验中验证了我们提出的方法，其中三架四旋翼飞机探索了一个模拟风场。结果证明了相对于我们所采用的机器人数量而言，其有效性和可扩展性。