技術概要：HECTOR – ロボット群の人間中心階層協調および監視

1. 問題定義

本論文は、動的かつ部分的に未知の環境において、継続的な時間的タスクの下で、大規模かつ多様なロボット群（例：UAV および UGV）を調整する課題に取り組む。ロボット群は協調によって効率性を提供するが、個々のユニットを直接人間が制御することは非現実的である。既存のアプローチは、しばしば以下の 3 つの重要なギャップを同時に解決することに失敗している：

1. 動的なオンライン相互作用： ほとんどの手法は静的で事前に定義されたタスクセットを仮定しており、オペレーターがリアルタイムでミッションを追加、キャンセル、または優先順位変更する必要性を見落としている。
2. 不確実性下でのスケーラビリティ： 従来の集中型計画（例：MILP）は組み合わせ爆発に悩まされ、分散型手法は複雑な時間的制約に対する保証を欠くか、不確実なサブタスク数や場所を処理できないことが多い。
3. 人間ループへの統合： 現在のフレームワークは、人間との相互作用を事後処理として扱ったり、小規模チームに限定したりすることが多く、大規模運用における高レベルの監視や介入のためのプロトコルが欠けている。

核心的な目的は、線形時相論理（LTL）仕様、容量制約、および動的なオペレーター要求（新しいミッション、キャンセル、優先順位変更、手動再割り当て）を満たしつつ、平均ミッション応答時間を最小化する集団計画を合成することである。

2. 手法：HECTOR フレームワーク

提案されるソリューションであるHECTORは、グローバルな調整とローカルな実行を分離する 3 層の階層アーキテクチャを採用し、スケーラビリティと堅牢な人間との相互作用を実現する。

層 I：人間 - 群相互作用プロトコル

この層は、オペレーターが 4 種類のオンライン要求を発令することを可能にする双方向・マルチモーダルインターフェース（テキスト、音声、テンプレート）を確立する：

• $\kappa_1$（新しいミッション）： 不確実なサブタスク数と場所を伴う新しい sc-LTL（構文学的に安全な LTL）仕様の発行。
• $\kappa_2$（キャンセル）： 進行中のタスクを妨げることなく、未完了のミッションを削除する。
• $\kappa_3$（変更）： 既存のミッションの期限と優先順位を更新する。
• $\kappa_4$（再割り当て）： 特定のロボットを特定のミッションに手動で割り当てる。
  このプロトコルは、これらの要求をタスク分解モジュールと可視化インターフェースにマッピングし、群のステータスと計画の実行可能性に関する閉ループフィードバックを確保する。

層 II：再帰的ホライズンによるタスク割り当ておよびチーム編成

この層は、ロボットモデルとタスクオートマトンの完全な同期積（計算的に禁止的）ではなく、オートマトン誘導探索木を使用して、ミッションをチームにグローバルに割り当てる。

• 同時分解と割り当て： アルゴリズムは、ノードが部分的なチーム計画とミッションオートマトンの現在到達可能状態を表す木を検索する。最適なチーム数（$K$）、その構成、およびタスクのシーケンスを同時に決定する。
• 価値関数と境界設定： ヒューリスティックな価値関数 $\chi(\nu)$ は、メイクスパン、コスト、およびミッションの進捗をバランスさせる。ノードは、パフォーマンスプロファイル $\zeta(\nu)$ に基づく優越関係を用いて剪定され、探索が非支配フロントに集中することを保証する。
• 再帰的ホライズン： 動的な更新に対処するため、プランナーは有限ホライズン $H$ で動作する。$H$ 個のタスクが割り当てられると一時停止し、再計画トリガー（タスク完了、新しい要求、または実行不可能性など）が発生すると再開する。
• 冗長性認識型チーム編成： タスクが抽象的なチームに割り当てられた後、混合整数線形計画法（MILP）定式化が特定のロボットを割り当てる。このステップは、サブタスクの不確実性と潜在的なロボット故障を考慮するために冗長マージン（$\alpha$）を組み込み、容量制約を満たしつつ、互いに重ならないチームメンバーシップを確保する。

層 III：チーム内のローカル協調

チームに割り当てられたタスクに基づき、この層はサブタスクの実行と軌道生成を、サブタスクの性質に応じて調整する：

1. 静的かつ既知： 多車両経路問題（MVRP）を解く。非ホロノミックロボットの場合、運動プリミティブ（例：ダブイン曲線）とハイブリッド-A* 探索を使用して、軌道とタスクのシーケンスを同時に最適化する。
2. 静的かつ未知： **同時探索と協調（SEC）**戦略を採用する。ロボットは協力的に領域をカバーしてサブタスクを明らかにし、発見されたサブタスクをローカル計画に動的に挿入してメイクスパンの乱れを最小化する。
3. 動的かつ既知： **分散型動的連合形成（DCF）**アルゴリズムを使用する。ロボットは、移動するターゲットを追跡するために、ローカルコスト見積もりとピア通信に基づいて連合メンバーシップを更新し、重ならない連合とバランスの取れた作業負荷を確保する。

3. 主要な貢献

本論文は、以下の 2 つの主要な貢献を主張する：

1. 柔軟でスケーラブルなフレームワーク： HECTOR は、オペレーターが不確実な環境で大規模な多様なロボット群と相互作用し、調整することを可能にする。高レベルの時相論理ミッションとローレベルの運動の実行可能性との間の相互作用を明示的に処理する。
2. 実用的側面の明示的処理： このフレームワークは、多様な能力、パラメータ化された協調ユーティリティ、時間的制約、およびサブタスク分布の変動性を統合する。ミッション変更時にシステム全体を再構築する必要がないオンライン人間介入のための特定のプロトコルを導入する。

4. 実験結果

80 体の多様なロボットが動的環境で 30 のミッション（450 のサブタスク）を実行する、広範な人間ループシミュレーションが実施された。

• ベースラインとの性能比較： HECTOR は、総ミッション応答時間を184.4 秒とし、集中型 MILP（327.8 秒）やサンプリングベースの手法（286.0 秒）を大幅に上回った。不確実性を無視する手法（例：SAMP-Subtask、Flow）が 86～96% に低下するのに対し、100% の成功率を維持した。
• 計算効率： 平均計画時間は0.46 秒（最大 0.76 秒）であり、無限ホライズンベースライン（Inf-H）が最大 415.8 秒の計画時間に苦しんだことと比較して、階層アプローチの効率性を示している。
• スケーラビリティと堅牢性： 最大 170 体のロボットと 100 のタスクを用いたテストでは、ロボット故障率が 10% であっても計画時間は 2.0 秒未満に留まった。システムは、ミッションの成功を失うことなくリソースを再割り当てすることで、故障からの回復に成功した。
• 高忠実度検証： 災害救助シナリオにおける 12 機の UAV を用いた ROS ベースのシミュレーションは、現実世界のダイナミクス、曲率制約、およびリアルタイムのオペレーター介入（キャンセル、再割り当て、期限変更）を処理するフレームワークの能力を確認した。

5. 意義と主張

本論文は、HECTOR を、理論的な時相論理計画と実用的な大規模展開の間のギャップを埋める、マルチロボットシステムにおける必要な進化として位置づけている。

• 実用的関連性： タスクが進化し、不確実性が内在する災害救助、監視、配送において、オペレーターが群を管理する「実用的な必要性」に対処する。
• 階層による効率性： チーム編成、タスク割り当て、ローカル協調を分離することで、グローバル合成の二重指数関数的複雑さを回避しつつ、正しさを保証する。
• 人間中心設計： 完全自律システムとは異なり、HECTOR は「リーンな通信」と高レベルの監視を明示的にサポートし、オペレーターが低レベルの詳細に圧倒されることなく効果的に介入することを可能にする。
• 限界： 著者は控えめに、現在の作業は「動的かつ未知」のタスク（サブタスクの場所と数の両方が同時に未知かつ変化するもの）には対応していないと指摘している。これは、ここで完全に検討されていない探索と動的連合戦略の組み合わせを必要とするためである。さらに、通信制約（遅延、パケット損失）は、将来の改善の領域として認識されている。