Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Planificación de rutas de cobertura multirobot a gran escala en cuadrículas con desconflicto de rutas

Created by
  • Haebom

Autor

Jingtao Tang, Zining Mao, Hang Ma

Describir

Este artículo presenta un nuevo método para resolver el problema de planificación de rutas de búsqueda de área multirobot (MCPP) en una cuadrícula 2D de 4 vecinos. Los métodos existentes primero calculan el árbol de búsqueda en una cuadrícula coordinada por cuadrantes y luego generan la ruta utilizando el paradigma de búsqueda de árbol de expansión (STC), que tiene la limitación de no ser aplicable a cuadrículas con bloques 2x2 parcialmente ocluidos. En este artículo, proponemos un paradigma STC extendido (ESTC) que redefine el problema directamente en la cuadrícula, garantizando una búsqueda completa incluso en cuadrículas con bloques parcialmente ocluidos. Además, presentamos un nuevo marco algorítmico, LS-MCPP, que integra ESTC y tres nuevos operadores de vecinos en la estrategia de búsqueda local. Finalmente, integramos un procedimiento versátil de posprocesamiento que primero aplica la técnica de búsqueda de rutas multiagente (MAPF) a MCPP para resolver colisiones entre robots y considerar los costos de turno, mejorando así su aplicabilidad práctica. Los resultados experimentales muestran que la solución se puede generar en minutos incluso en cuadrículas con hasta 100 robots y tamaños de 256x256, y la viabilidad de las aplicaciones en el mundo real se verifica mediante la validación con robots reales.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos una novedosa solución MCPP que es aplicable incluso a redes con bloques parcialmente bloqueados.
◦
El paradigma ESTC garantiza una exploración completa y una no optimalidad restringida.
◦
Mejora de la calidad y la eficiencia de la solución a través del marco del algoritmo LS-MCPP.
◦
Integración de técnicas MAPF para resolver colisiones entre robots y considerar costos de rotación.
◦
Confirmación de aplicabilidad a entornos reales mediante verificación con robots reales.
◦
Proporcionando soluciones eficientes para redes a gran escala y grandes cantidades de robots.
•
Limitations:
◦
Se necesita un análisis adicional para determinar si el algoritmo propuesto garantiza la optimalidad.
◦
Es necesaria una evaluación de robustez para diversos entornos y tipos de obstáculos.
◦
Es necesario analizar y mejorar la complejidad computacional del proceso de integración MAPF.
◦
Se necesita una mayor validación de la generalización debido a las limitaciones del entorno experimental.
👍
Made with Slashpage