Communication-Constrained Multi-Robot Exploration With Adaptive Communication Windows
本文介绍了 MACE，一种去中心化的多机器人探索框架，该框架通过将路径决策建模为车辆定向问题（Vehicle Orienteering Problem），以平衡旅行成本与信息共享，从而优化了间歇性通信，与现有策略相比，使总探索时间减少了高达 23%。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一支机器人小队被派往一个黑暗且未知的建筑进行测绘。它们的目标很简单：尽可能快地覆盖每一寸空间。为了高效完成任务，它们需要协同工作，分享彼此所见，以免在同一个走廊里浪费时间重复探索。在理想情况下，这些机器人应该保持持续联系，就像一群在草地上大声呼喊更新信息的徒步旅行者一样。但在现实世界中，厚实的混凝土墙、金属结构和蜿蜒的隧道经常会阻断无线电信号。机器人可能会短暂地看到彼此，然后随着转过一个弯角而失去联系。这种间歇性的连接创造了一个难题：机器人应该停止手头的工作去寻找队友并交换地图，还是应该继续前进，并寄希望于稍后能偶遇队友？如果停下来得太频繁，就会浪费时间；如果从不停止，它们可能会在原地绕圈，而此时队友可能正在几英里外，却对彼此的进度一无所知。
本·罗萨诺（Ben Rossano）、林载仁（Jaein Lim）以及来自麻省理工学院（MIT）和德雷珀实验室（Draper Laboratory）的乔纳森·豪（Jonathan How）开发了一种解决这一问题的新方法，称为 MACE。MACE 并非强迫机器人在特定的时间和地点见面，也不是让它们完全依赖偶然的相遇，而是赋予了机器人“向前思考”的能力。该系统允许机器人安排定期的“签到”窗口，但有一个关键的转折点：在机器人决定前往某个会合点之前，它会计算这次行程是否值得。机器人会查看自己的地图并提出一系列实际问题：最近的队友有多远？在前往那里的途中，我能探索多少新领地？如果答案是绕路太长且探索收益太小，机器人就会直接忽略这次会面并继续探索。只有当前往队友那里的路径较短且富有成效，或者距离上次联系已经过了太长时间时，它才会同意会面。
研究人员在了一系列包含四种截然不同环境的计算机模拟中测试了这种方法：一个小迷宫、一个隧道网络、一个增加了更多连接路径的改进版隧道，以及一个大型复杂的城市街区。在这些测试中，使用 MACE 系统的机器人完成测绘任务的速度始终快于使用旧方法的团队。传统的“集合”策略（即无论距离多远都强迫机器人在中心点聚集）往往会在已经测绘过的区域浪费大量时间进行长途跋涉。而“机会主义”策略（即仅在偶然相遇时才通信）则常导致团队陷入冗余的困境，多个机器人会在不同的区域重复探索相同的死胡同，却彼此错失。MACE 找到了中间地带。通过智能地权衡旅行成本与信息价值，模拟中的机器人将探索环境所需的总时间缩短了高达 23%。
这种方法之所以特别鲁棒，是因为它考虑了环境形状的影响。研究人员发现，在狭窄的小空间里，机器人经常靠运气撞在一起，因此并不总是需要严格的会议计划。然而，在像城市模拟那样缺乏瓶颈、开阔且连通的空间里，偶然相遇变得非常罕见，冗余探索的风险也会随之激增。在这些困难场景下，MACE 在路径清晰时主动寻找队友的能力显得至关重要。该系统使用的数学概念类似于一位试图在固定时间内游览最多有趣景点的旅行者，只不过机器人寻找的不是景点，而是“前沿”（frontiers）——即已知地图的边缘，那里是新领地的开始。它们会规划一条路径，在前往通信点的途中可能会经过几个新的前沿区域，从而确保每一步前进都能为任务增添价值。
研究还表明，这些策略的成功在很大程度上取决于空间的几何结构。在拥有许多死胡同和狭窄走廊的环境中，机器人会被引导至相同的路径，从而更容易找到彼此。而在开放且连通的空间中，它们很容易彼此分离。MACE 通过不断重新评估情况来适应这种变化。如果一个机器人错过了预定的签到时间，它不会直接放弃，而是等待下一个窗口并再次尝试，或者在错过太多次机会后退回到强制性会议模式。这种灵活性防止了团队陷入完全孤立的陷阱。这些源自跨越 250 米至 600 米大小地图的数千次模拟试验的结果表明，赋予机器人决定何时进行通信的自主权，是提高效率的一种强大方式。这项工作并不声称已经解决了机器人探索中的所有问题，但它证明了，一点点智能规划就能节省大量时间，将一群孤立的机器转化为一个真正协调的团队。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。