Core Concepts
Durch die Formulierung des inversen submodularen Maximierungsproblems können Roboter ihre internen Parameter minimal anpassen, um Vorschläge menschlicher Betreuer zu berücksichtigen.
Abstract
In diesem Artikel wird ein neuer Typ des inversen kombinatorischen Optimierungsproblems, die Inverse Submodulare Maximierung (ISM), eingeführt und ein neuer Algorithmus unter dem Branch-and-Bound-Paradigma vorgestellt, um ISM-Probleme optimal zu lösen.
Der Artikel beginnt mit einer Einführung in das Forward Submodular Maximization (FSM) Problem, das weit verbreitet in der Koordination von Mehrrobotersystemen eingesetzt wird. Dabei werden die Parameter der Zielfunktion offline von Experten entworfen und dann online zur Koordination der Roboter verwendet.
Es wird jedoch der Fall betrachtet, in dem menschliche Betreuer, die die Roboter bei der Aufgabenausführung überwachen, zusätzliche Informationen erhalten oder aus ihrer Erfahrung neue Erkenntnisse gewinnen und daher andere Aktionen vorschlagen als die, die aus der Lösung des FSM-Problems resultieren. In solchen Fällen ist es unerwünscht, das Team anzuhalten und das Entscheidungsproblem neu zu entwerfen. Stattdessen sollen die Roboter in der Lage sein, das Entscheidungsproblem minimal anzupassen, um solche Vorschläge zu berücksichtigen.
Dazu wird das ISM-Problem formuliert, bei dem ausgehend von einer bekannten Lösung des FSM-Problems die Parameter der Zielfunktion so angepasst werden sollen, dass die Lösung den Vorschlägen des menschlichen Betreuers entspricht, ohne die ursprüngliche Expertise und historischen Daten, die in der Formulierung des FSM-Problems enthalten sind, zu stark zu verändern.
Für das ISM-Problem wird ein neuer Algorithmus unter dem Branch-and-Bound-Paradigma entwickelt, der in der Lage ist, das Problem optimal zu lösen. Der Algorithmus wird in einer Fallstudie zur Mehrroboter-Mehrziel-Abdeckungssteuerung evaluiert und zeigt signifikante Vorteile in Bezug auf Rechenzeit und Spitzenspeicherverbrauch im Vergleich zu einem direkten Einsatz eines existierenden Lösers.
Stats
Die Wahrscheinlichkeit, ein Ereignis j an einem Ort x zu erkennen, ist gegeben durch Pr(x, pi) = exp(-λi∥x - pi∥), wenn x im Erfassungsbereich des Roboters i liegt, und 0 sonst.
Die Wahrscheinlichkeit, dass das Roboterteam ein Ereignis j zum Zeitpunkt k erkennt, ist Pr(x, p(k)) = 1 - Πni=1(1 - Pr(x, pi(k))).
Die Erkennungswahrscheinlichkeit für Ereignis j über den gesamten Planungshorizont H ist 1 - Πt=k+H
t=k (1 - hj(p(t))).
Quotes
"Inverse Submodular Maximization (ISM) für menschliche Betreuer in der Mehrroboter-Koordination"
"Wir führen einen neuen Algorithmus unter dem Branch-and-Bound-Paradigma ein, um ISM-Probleme optimal zu lösen."