4机器人团队执行约20项任务的多机器人任务分配–顶部的图表显示了4个机器人在访问不同任务时所追踪的路线，这是由每个机器人模拟执行我们的算法决定的；每个机器人在同一个仓库开始和结束，用黄色六边形标记。下图显示了我们的算法如何在机器人R4的特定任务规划实例中工作(在顶图中用黄色圆圈标记；对等机器人在该实例中的位置由顶部图表中的X符号标记)。这里，左边的bigraph将所有机器人与所有可用的任务连接起来，从而代表各种潜在的分配策略。右边的大图是机器人R4执行我们的算法的结果，这表明机器人R4现在已经选择执行任务20。信用:Payam Ghassemi博士。机器人团队可以帮助用户更快、更有效地完成大量任务，并在危险操作中保护人类代理免受伤害。近年来，一些研究特别探索了机器人群在搜索和救援任务中协助人类智能体的潜力；例如，寻找自然灾害的幸存者或向他们运送食物和生存包。布法罗大学的研究人员最近开发了一种技术，可以在灾难应对任务中提高机器人团队的性能。这项技术是在Elsevier发表在《机器人与自主系统》杂志上的一篇论文中介绍的，旨在将任务分配给团队中的不同机器人，以便它们能够最有效地完成任务。
“在过去的三到四年里，我们一直在探索独特的方法来协调大型地面机器人和无人机团队，以协助对紧急情况和灾难应对应用至关重要的危险绘图和搜索救援行动，”领导这项研究的研究人员之一苏马·乔杜里博士告诉Tech Xplore。“在这些研究探索中，我们一致认为需要一种能够在团队机器人之间快速(移动)分配任务的算法。”
当他们回顾以前的研究时，研究人员发现，现有的多机器人任务分配方法中，很少有能够在严格的时间限制下处理同步任务，并适应任务期间可能出现的新的意外任务，同时还考虑了真实世界机器人的飞行范围、有效载荷能力和机载计算限制。因此，他们着手开发一种能够成功完成所有这些事情的方法。
“我们研究的另一个目的是在原始洪水响应应用程序上展示这种新方法的能力，在20x30平方公里的模拟洪水场景中，使用一组无人机在指定的任务地点快速运送或投放生存包，”乔杜里博士说。
在他们的研究中，乔杜里博士和他的同事帕亚姆·加塞米博士认为机器人团队和他们要完成的任务是两组不同的数据。这使得他们能够减少分配问题给他们的任务，因此它主要需要映射或匹配这两个集合中的元素对(即团队中的机器人完成它要完成的任务)。本质上，在模型需要做出决策的任何时候，它都会通过一条“边”将集合1中的每个空闲机器人连接到集合2中剩余的一个任务。
“然后，我们的技术使用激励函数对这些边缘进行加权，较高的权重表明机器人承担相关边缘连接的任务的相对亲和力较高，”参与研究的另一名研究人员加塞米博士说。然后解决一个加权的双图匹配问题，以产生一对一的映射，该映射产生要分配给每个机器人的下一个任务。通过设计激励函数来说明机器人的全局状态、机器人相对于任务的状态以及完成任务的剩余时间，我们的方法变得独特地认识到机器人的约束和任务期限。”
与现有的基于优化的多机器人任务分配方法相比，该技术有几个优点。例如，它的执行时间要短得多，因为它可以在几百毫秒内做出任务分配决定。
除了比其他现有方法更快之外，研究人员的技术减轻了机器人之间同步决策的需要。这意味着它的功能对团队中连接机器人的通信网络的依赖性较低。
乔杜里和加塞米博士在一系列测试中评估了他们的技术。值得注意的是，他们发现它可以完成与一般基于优化的方法相同百分比的任务，这些方法提供了可证明的最佳解决方案，但它的计算时间几乎低了1000倍。
“这一观察，加上我们的技术做出异步决策的能力，意味着我们的方法可以很容易地在广泛可用和廉价的地面机器人和无人机上实现，”乔杜里博士说。"这种简单的机器人通常表现出节俭的计算和通信能力."
有趣的是，研究人员表明，他们的方法也可以扩展到解决高度复杂的问题，这些问题涉及拥有多达100个机器人的团队，这些机器人必须完成1000项任务，同时保持其亚秒级的计算时间性能。到目前为止，很少有团队试图使用现有的任务分配工具来解决这些大规模的问题。
乔杜里博士说:“我们的研究成果代表了多机器人社区向前迈出的重要一步，为非常大和可扩展的机器人团队可以彻底改变灾难应对和其他时间敏感的操作的愿景提供了切实的证据。“最后，通过直接考虑机器人的范围和有效载荷限制、任务截止日期和移动中新任务的出现(后者在灾难响应操作中无处不在)，我们的发现使我们更接近于将多机器人任务分配算法过渡到复杂的大规模操作中。”
未来，该研究团队开发的在线多机器人任务分配技术可以促进无人机群或其他机器人团队在复杂搜救任务中的大规模部署。与此同时，乔杜里博士和加塞米博士计划进行进一步的实验，在使用当代游戏引擎创建的更真实的模拟中评估他们的算法。这最终将使他们能够在真正的无人机和四轮地面机器人团队中部署和测试他们的技术。
“布法罗大学工程和应用科学学院最近展示了一个大型的最先进的室外无人机测试设施，这将是在现实条件下进行这些实验的完美环境，”乔杜里博士补充道。“在更基本的层面上，我们计划缓解对手工制作不同类型操作和机器人的激励功能的需求，并进一步最大限度地减少机器人之间的通信需求。为此，在美国国家科学基金会(National Science Foundation)的一项新研究资助下，我们正在探索如何使用机器学习方法来学习激励函数，这将使我们的算法能够以最少的人为输入在广泛的现实场景中进行推广。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
