Los robots pueden negociar planes casi óptimos mientras se mueven en tiempo real (F1)
En palabras sencillas
Los robots que se mueven juntos necesitan planes que tengan en cuenta a los demás. Un planificador que planifica para todo el equipo puede trabajar fuera de línea, mientras que los robots que planifican por separado en tiempo real podrían acabar con una solución menos eficaz para el equipo.
WarpWeaver hace que cada robot busque movimientos posibles y luego comparta secuencias de comandos prometedoras, teniendo en cuenta el espacio que necesitan los demás. En 11 tareas de planificación de movimiento de robots, su mediana del tiempo de recorrido del equipo fue la más baja en 10, frente a planificadores centralizados que operaban fuera de línea.
La investigación
¿Puede un equipo de robots buscar un buen plan conjunto cuando cada robot planifica localmente y el equipo debe actuar en tiempo real?
Los planificadores centralizados pueden buscar la optimalidad conjunta, pero operan fuera de línea; los planificadores descentralizados en tiempo real suelen quedarse con óptimos locales.
WarpWeaver hace que los robots busquen localmente y negocien los costes del espacio compartido para intentar crear planes de equipo casi óptimos en tiempo real.
¿Pueden los robots planificar por separado en tiempo real y acercarse a una buena solución para todo el equipo? WarpWeaver hace que cada robot explore movimientos posibles e intercambie secuencias de comandos prometedoras; los precios del espacio compartido tienen en cuenta los conflictos con los demás.
En 11 instancias de planificación de movimiento de robots de Dynobench, WarpWeaver completó todos los ensayos y tuvo la menor mediana del tiempo total de recorrido sumado entre los robots en 10 instancias, frente a planificadores centralizados fuera de línea.
El resultado respalda el enfoque en esas tareas; la mayor reducción reportada fue del 22 %, y los planificadores diferían tanto en su diseño como en si operaban en tiempo real o fuera de línea.
El certificado formal de casi optimalidad solo se aplica cuando la negociación alcanza la quiescencia y bajo los supuestos de suavidad y margen de las restricciones del artículo.
Los experimentos abarcan tareas simuladas específicas y demostraciones con seis robots; los autores señalan que las tareas con restricciones muy acopladas, como mantener una formación rígida, pueden ser más difíciles de resolver.
Análisis
Detalles
- Autores del paper original
- Shashank A. Deshpande, Blake T. Edwards, Jonathan P. How
- Enviado a arXiv
- Licencia
- arXiv non-exclusive