当前位置: X-MOL 学术arXiv.cs.MA › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
与机器人团队进行弹性主动信息采集
arXiv - CS - Multiagent Systems Pub Date : 2021-03-03 , DOI: arxiv-2103.02733
Brent Schlotfeldt, Vasileios Tzoumas, George J. Pappas

协作自主的新兴应用(例如多目标跟踪,未知地图探索和持久监视)要求机器人规划路径来导航环境,同时最大化通过车载传感器收集的信息。在本文中,我们考虑了此类信息获取任务,但在对抗性环境中,攻击可能会暂时使机器人的传感器失效。我们提出了第一个后退地平线算法,旨在针对任何数量的攻击进行健壮和自适应的多机器人规划,我们将其称为弹性主动信息获取(RAIN)。RAIN以在线方式调用“稳健轨迹规划”(RTP)子例程,该程序在超前计划范围内规划攻击稳健的控制输入。我们通过限制RTP的次优程度来量化其性能。我们基于组合优化中引入的曲率概念进行理论分析。我们在三种信息获取方案中评估RAIN:多目标跟踪,占用网格映射和持久监视。这些场景在C ++和基于Unity的模拟器中进行了模拟。在所有模拟中,RAIN都是实时运行的,即使在存在大量攻击的情况下,它也能针对最新的基准信息获取算法表现出卓越的性能。我们还展示了RAIN对各种攻击模型(最坏情况和随机攻击)以及不同的重新计划率的鲁棒性和有效性。这些场景在C ++和基于Unity的模拟器中进行了模拟。在所有模拟中,RAIN都是实时运行的,即使在存在大量攻击的情况下,它也能针对最新的基准信息获取算法表现出卓越的性能。我们还展示了RAIN对各种攻击模型(最坏情况和随机攻击)以及不同的重新计划率的鲁棒性和有效性。这些场景在C ++和基于Unity的模拟器中进行了模拟。在所有模拟中,RAIN都是实时运行的,即使在存在大量攻击的情况下,它也能针对最新的基准信息获取算法表现出卓越的性能。我们还展示了RAIN对各种攻击模型(最坏情况和随机攻击)以及不同的重新计划率的鲁棒性和有效性。



"点击查看英文标题和摘要"

更新日期:2021-03-05
down
wechat
bug