探索和协调互补Multirobot团队在Hunter-and-Gatherer场景中

文摘

hunter-and-gatherer方法处理动态multirobot任务分配的问题,不知不觉地分布在一个环境的任务。这种方法使用两个互补的团队代理:一个在探索(猎人)和另一个灵巧敏捷完成(采集)的任务。尽管这种方法研究了任务计划的观点在我们之前的作品,multirobot勘探和协调方面的问题仍被知晓。提出了一种multirobot探索算法基于创新的猎人的概念“预期信息增益”的集体成本降到最低的任务成就在一个分布式的方式。此外,我们提出一个协调的解决方案之间的狩猎者和采集者利润率的小说概念的整合,将信息增益的概念。统计分析广泛的仿真结果证实了该算法的有效性将在不同的环境中与复杂性不同程度的障碍。我们还表明,狩猎者和采集者明显扭曲之间缺乏有效的协调总计划的有效性,特别是在环境包含密集的障碍和局限在走廊。最后,它是统计证明,整体工作负载分布同样为每个类型的代理,确保建议的解决方案不偏向某一特定代理和代理行为类似地在相似的特征。

1。介绍

预计Multirobot系统完成任务不可行,费力、效率低下的一个代理来完成(1]。用人multirobot系统需要解决各种问题的主题任务分配(2,探索3[],协调4)、学习(5),群体行为(6,7),和异质性8]。在所有的这些问题,multirobot任务分配的问题(MRTA),这是一组的任务分配给个人机器人,是最深层的问题,在动态环境中大幅增加其复杂性。因为在动态任务是不知不觉地分布在一个环境问题,MRTA问题需要解决任务计划和multirobot探索视角。前被解决是hunter-and-gatherer方法在我们之前的工作9,10)除以每个任务为两个连续的子任务,其中每个子任务只能由某种类型的代理。这部小说的方法提出了一个未知的MRTA问题的探索和协调互补的团队是这个工作的动机。

根据提出的分类(11],single-robot问题(ST)的任务,每个任务都需要努力的一个机器人完成,是最原始的MRTA病例。例如,在[工作12)地址MRTA协调一组自主车辆提出了两种基于拍卖的分布式算法和包的方法。然而,在实际问题中,有情况下,每个任务需要多个机器人要完成的工作。这种情况下分类学的称为multirobot (MT)任务问题,研究[13,14]。前者提出了一个分布式蜜蜂算法(DBA)和优化的DBA适用于分布式目标分配在成群的机器人。后者提出了一种新颖的加权协作图模型,然后介绍了学习算法提出了模型系统的学习软件代理之间的交往。在这两种情况下,瞬间被分配的任务。,it is assumed that the tasks are identifiable for robots before the mission. Nonetheless, in a dynamic environment, in which tasks are unknowingly distributed over the environment, instantaneous assignment (IA) is infeasible and instead time-extended assignment (TA) must be dragged in.

的助教,主要有两个范例作品解决动态问题,任务是不知不觉地分布在一个环境:(1)作品从勘探角度解决这个问题纯粹和(2)从MRTA解决这一问题的观点。关于第一个范例,作者的15,16]目前一个非常基本的frontier-based算法一个自主机器人和多机器人探索,分别。加强frontier-based探索算法的有效性,Zlot et al。17)进一步发展frontier-based勘探方法通过引入一个以市场为基础的方法来最大化信息增益发生同时最小化成本。利用信息增益的理论(17)打开地板,熵的概念融入multirobot探索算法。例如,巴塔查里亚等。18,19)更关注信息理论,探索问题的地图熵最小化考虑机器人之间的沟通。与[16- - - - - -19],考虑整个环境探索的目的,Lopez-Perez et al。20.)提出了一个分布式multirobot系统算法探索附近区域减少穿越距离,而代理有效地使用资源来相互沟通。虽然[16- - - - - -20.)应对未知的动态环境中通过引入不同性质multirobot勘探方法,他们都忽视MRTA解决方案整合到提出探索算法。

作品落入第二范式进行环境组成的分布式任务,不知不觉地同时解决的MRTA方面问题。在这个问题上,Prorok et al。21)认为一个助教问题系统的异构机器人建模为一个社区的物种和发展集中和分散的方法来有效地控制机器人的异构群。在另一个工作,在22),一种新颖的任务分配方法是开发基于基尼系数提高完成任务的数量考虑有限的能源资源。尽管Prorok等人,吴et al。21,22)解决time-extended作业问题,探索环境探测未知任务解决方案尚未提供。尽管一些工作如(23]试图调查任务分配算法的性能在frontier-based multirobot探索问题,大多数研究都忽略了集成multirobot探索动态MRTA ST-MR-TA等问题:SP或MT-MR-TA: SP (24]。因此,最好的作者的知识,缺乏关键关注解决multirobot勘探和同时在助教任务分配问题,而这个问题是一个普遍的问题在各种各样的领域,如城市搜救(城市搜救)[25),农业领域操作(26),和安全巡逻27]。

除了上面两个范例了,觅食是另一个研究的趋势在解决multirobot任务分配问题28]。虽然觅食问题分类学的落入了分类讨论的文献综述(11,24),这里我们简要比较了在这个范式与hunter-and-gatherer框架方法。作为一个整体,觅食更关心集体和群体行为的多重代理系统,从蚂蚁和蜜蜂蜂群优化算法(29日)可替换主体加固方法(30.]。集体行为的想法在觅食的研究强调需要相同的决策机制对所有代理和结果在决策依赖代理(31日]。例如,它在理论上是具有挑战性的雇佣一个探索者剂具有独特的搜索算法在中央地方觅食算法(32)因为这个独家搜索行为影响的群体行为代理和扰乱系统的平衡由于决策代理人之间的依赖关系。通过对比,解决hunter-and-gatherer框架(9)提供一个通用平台动态可替换主体任务分配,更关注个人自主权,没有决策代理人之间的依赖关系。

考虑城市搜救的灾区的受害者被困在未知位置,需要立即救援行动。每个受害者是一个任务,需要先发现,然后被救援行动,通常需要拯救了几个灵巧的动作。这种情况下是问题,multirobot勘探和任务分配方面同时需要解决。此外,救援机器人需要重型机械和灵巧的爪33,34),高功率驱动器、运动跟踪机制、高容量电池,和许多类型的传感器,摄像头,和通讯设备来完成这些任务,使得机器人相对较大,笨重,无法灵活的搜索操作。在这种情况下,“hunter-and-gatherer方法”毫无疑问是合理的,每一个任务由两个连续的子任务:检测和完成。已经说过,每个子任务只能由某种类型的代理,两个机器人工作小组:一个团队敏捷的机器人,可以迅速探索环境和检测任务,被称为“猎人”,和一个灵巧的机器人团队完成检测任务称为“采集者。“实际上,猎人可以一群小型无人机搜索网站找到受害者,和采集者可以一群maxi-sized [35)重型作出救援探测到受害者依赖他们的敏捷能力。

本文出于上述问题解释说,这是分类学的称为ST-MR-TA: SP或MT-MR-TA: SP (24),地址在未知环境中动态MRTA问题提出了一个集成multirobot任务分配和探索解决方案。根据hunter-and-gatherer方案,我们首先提出一个创新决策机制的基础上,小说预期获得的概念(如),衡量周围的信息密度的一个潜在的工作(任务/边界)。如测量已经集成到概念的确定性和不确定性的利润率水平的代理的信心和守恒性进行建模。这一创新决策机制的图形背景理论提出multirobot勘探和任务分配算法。除此之外,这项工作介绍了采集指定一个协调因素通过他们的行为完全从对环境高度协调的猎人的位置。通过大量的模拟,我们证明了提出算法的有效性优于基准的性能(工作9]。此外,对仿真结果的统计分析表明,狩猎者和采集者之间缺乏有效的协调显著伤害总计划的有效性。最后,它是统计证明,整体工作负载分布同样为每个类型的代理,确保建议的解决方案不偏向一个代理,代理行为类似地在相似的特征。

本文的其余部分组织如下:问题陈述提出了部分2。节3、方法和规划算法进行了讨论。仿真结果提出了部分4结论言论节紧随其后5。

2。问题陈述

在本节中,我们提出的问题制定动态MRTA hunter-and-gatherer方案的上下文中。假设有任务随机分布于环境,E。我们认为此案的数量和位置未知的前特工任务规划算法称为hunter-and-gatherer任务规划的执行(HGMP)。任务的设置来标示 分为狩猎和采集每个任务的子任务,也就是说, 与 ,在哪里和分别代表了狩猎和采集子任务。在这种情况下,代理的集合定义为 由两队的猎人 和采集 ,在哪里 和 。相关的成本的成就表示为和相关的成本吗的成就 。

假设:在整个论文中,假设(1)任务是静止不动的,即,they are fixed to their locations.(2)每个任务的成本的成就是线性的距离成正比,一个代理移动任务。代理人被认为是完成一个任务时达到任务的位置。(3)同一团队的所有代理都是相同的。(4)所有代理都是理性的,即,they intend to maximize their expected utility.(5)所有代理都是全自动和有自己的效用函数,即:,没有全球效用函数存在。(6)代理从互补的团队可以互相交流使用一个稳定的网络连接。(7)每个网格地图的位置足够大同时举办多个代理。(8)代理自动避免碰撞而导航同时在一个特定的网格地图的位置。

现在,HGMP问题可以表示如下。假设存在一个元组等任务 。 表示函数分配任务米任务 代理, 。根据假设1 - 6,全球目标的集体成本降到最低 : 在哪里和是二元决策变量和 :

在(1),加权参数和介绍了成本和相对集体互补的团队,因为每种类型的物理差异。

这个问题有一个全球目标这可以通过确定二元决策变量优化。然而,找到最优解在multirobot路径规划和multirobot任务规划问题是np困难,作为证明(36- - - - - -38),分别。话虽这么说,解决这些问题从代理的的观点是一个容许的方法找到相对更好的解决方案,即:局部最优解。因为代理是理性的,每个代理的目标是最大化自己的期望效用在分布式的方法。因此,本文的目的是设计一个分布式决策机制,允许代理自己的期望效用最大化而个人努力收敛于局部最优解从社会的角度来看。换句话说,二元决策变量需要由代理在探索和协调以分布式的方式。这种方法还需要研究该算法的hyperparameters证明局部最优解是通过调整这些参数对实际参数在每个场景的容许范围。

除此之外,在提出问题的陈述,分配问题被认为是动态的多个原因。首先,任务是不知不觉地分布在环境。因此,代理没有任何先验信息的位置和需要探索的任务环境来识别它们。其次,基于问题的陈述,总有米任务环境,即。,when a task is accomplished by the agents, another task will be distributed randomly over the environment. Altogether, it is not feasible theoretically and practically to accomplish the planning right after the start of a mission. Instead, only dynamic planning algorithms can cope with the unknown and dynamic nature of the environment.

3所示。方法

3.1。概念框架

猎人被分配去探索未知的环境检测新任务。根据hunter-and-gatherer方案,检测任务只能由采集者的努力完成。因为我们的目标是开发规划算法在分布式的方式,应该有稳定连接代理从互补的团队之间的沟通。考虑到这一事实,猎人宣布任何最新发现的任务,以便采集者的位置可以决定实现他们。由于没有点对点通信和所有通信应该是广播,我们名字的通信平台的“在线板”通过采集通知新检测的位置。

在本节中,我们制定两种类型的代理正确推理机制实现这项工作的全球目标中提到的部分2。我们首先说明概念的确定性和不确定性的利润率,推理机制的构建块的两种类型的代理。其次,我们提出一个multirobot探索算法猎人在一个分布式的方式通过引入的概念如纳入利润率的概念。随后,采集完成检测任务的方法是描述基于相同的理论框架。事实上,我们阐明相同的利润率和理论如如何推广开发multirobot任务规划和采集者的协调算法。

3.2。利润率的概念

利润率的想法背后的基本原理是将潜在的工作(任务/边界)的环境中盈利,weakly-profitable, nonprofitable类型。当工作是有利可图的,代理信心采取行动来完成它。另一方面,代理是保守对潜在工作weakly-profitable而忽略nonprofitable工作。所需的努力来完成工作,是决定的因素是盈利,weakly-profitable或nonprofitable。根据第二个假设,由代理人的努力完成工作对应的距离它旅行到这份工作。例如,采集者的努力使完成的工作是它传播的距离达到和完成任务。同样,一个猎人的努力使得完成行进的距离,它的工作就是探索到达边界的环境。

现在,我们定义了确定性和不确定性的利润率(CPM和芬欧蓝)更专门为这两种类型的代理对完成工作的成本。CPM是一个边缘的距离小于旅行从代理的角度来看。芬欧蓝是一个边缘的旅行距离是不足和更大的比从代理的观点。图1显示了CPM公司芬欧汇川集团和概念上为两个同心圆的代理中心。在这个图中,工作1是包含在代理的CPM,所以它被认为是一个有利可图的工作,代理有信心完成它。此外,代理是保守的对完成工作2,因为它落在芬欧蓝和weakly-profitable工作。最后,工作3位于超出公司芬欧汇川集团代理的,所以这不是有利可图,代理会忽略它。

自代理两个类型的函数在一个环境中存在的障碍,我们解释CMP和人民运动联盟的代理功能的概念在一个占用网格地图(39]。图2举例说明了一个占用网格地图与代理位于中心。在这个图中,利润率的概念已经应用于概率路线图(人口、难民和移民事务局)生成的代理的路径规划。换句话说,人物2解释了一个代理实际分类工作有利可图,弱有利可图,依赖于人口、难民和移民事务局和移植的地图。

根据狩猎者和采集者计划,一个猎人代理依赖其利润率探索环境和采集者代理认为其利润率完成检测任务。关于公司芬欧汇川集团的定义和CPM和它可以应用于人口、难民和移民事务局,我们专注于开发这两种类型的推理机制hunter-and-gatherer代理在随后的部分。

3.3。推理机制:猎人

在本节中,我们的目标是开发一个基于利润的定义推理机制,猎人探索环境。在这方面,我们利用frontier-based探索概念开发CPM和UPM-based multirobot探索算法。frontier-based探索算法的基本思想是,浏览器代理选择一个边界点,然后走向选择的前沿探索未知区域迭代。虽然我们开发猎人的推理机制以分布式的方式,我们需要利用一个在线共享地图,地图上的某些信息和边界可为所有代理。因此,发展推理机制之前,我们定义一个代理商分享他们获得信息的平台。

我们定义一个在线板包含集体获得的信息环境的地图。在每个任务的开始,所有的细胞都占用网格地图的标记为未知。而猎人探索地图,每个探索细胞可以标记为障碍(细胞的概率大于0.5占用网格地图),免费的,细胞或任务。此外,未知的细胞相邻的一个已知的细胞将被标记为一个边界单元。通过分析数据嵌入到在线板,每个猎人决定边界以分布式的方式选择和探索依赖其推理机制。推理机制分为两个步骤:(1)地图更新过程,即。,the hunter updates some additional information on each frontier cell collectively, and (2) the decision process, i.e., the process by which the hunter chooses a frontier cell to explore.

关于第一步,猎人代理将所有边界分为三类公司芬欧汇川集团根据CPM的定义和,如图3。然后,猎人在线董事会更新检测边界的位置和猎人代理表示,如果新领域属于其CPM或芬欧蓝。精心设计的,每个边界细胞保持两个因素被称为确定性和不确定性因素(CF和佛罗里达大学)。CF的边界表示的猎人的数量前沿细胞包含在他们的CPM。同样,佛罗里达大学前沿的细胞显示猎人边境细胞的数量在芬欧蓝。因此,猎人更新CF和佛罗里达大学的前沿在CPM和芬欧蓝。在每个迭代中,猎人地图更新过程,然后依靠CF和佛罗里达大学的前沿进行决策过程的信息。

正如上面阐述的,我们需要开发一个决策过程,一个猎人决定选择哪个前沿探索依靠在线更新的信息。在这里,我们提出一个方法考虑了如可用某种前沿的探索和选择最大价值的前沿。这种方法有三个主要特点:(1)的计算方法是在一个分布式的方式开发,所以我们建议猎人代理实例的决策过程,(2)其他猎人的相对位置被认为是在决策过程(使用CFs和UFs)可以防止猎人冲向密切相似区域,和(3)所有邻居的CFs和UFs边界反映在为候选人前沿定义如保证之前的财产。事实上,社区的边界对应的CPM边界。

作为地图更新的解释过程,猎人将所有边界分为3类关于其CPM和芬欧蓝。在这一步中,我们澄清如在代理的CPM边界是如何定义的。后来,我们将开发在猎人的芬欧蓝的如定义边界。不必提及,前沿超越猎人的芬欧蓝忽略由代理由于利润率的定义。

假设有在猎人的CPM前沿 。然后,在其CPM组边界被定义为 ,在哪里 。猎人,表示 ,需要计算的所有成员然后选择一个前沿的最高价值。主要因素的影响如前沿是猎人和边界之间的距离 。这个比例需要考虑其他条件完成的边境有一个更准确的定义。让代表候选人前沿旨在分析和计算它需要知道如果它访问 ,然后代理决定有多少其他领域中可用的CPM(社区),什么是集体CF的前沿。图4(一)展示了一个例子,一个猎人代理已经在在线分类所有可用前沿。最初,亨特选择边界在所有候选人在猎人的CPM的前沿。此外,图4 (b)解释了猎人决定了前沿的CPM候选边界 。让表示的数量在CPM的前沿 。因此,预期的前沿对的集合被定义为 ,在哪里 。接下来,计算所有成员的集体CF 。现在, 完成通过添加的比例系数和集体CFs 。我们只考虑CF的原因是候选边界本身是代理的CPM之内。组内的所有前沿的如代理的CPM来标示 ,在哪里 ,和表示如候选人的边界,也就是说, 。此外,CF的一员表示为 。最后,候选人边境内代理人的CPM定义如下:

简而言之,我们有 为每一个边界。然后,乘以一个系数 其分子的前沿的总数在候选人前沿的社区和它的分母是集体CFs的前沿。换句话说,更高的价值的分子表明还有其他候选人前沿边界附近可访问的代理探索轻松地访问它。然而,分母反映了存在候选边界内的其他猎人的社区。

总而言之,计算所有边界在CPM,然后选择一个前沿信息增益最大价值的预期,表示 ,这样

同样,例如可以为候选人前沿定义公司芬欧汇川集团在猎人的细微差别。在这种情况下,集体CFs和UFs都将被考虑为候选人定义如边境。解释,假设在猎人的芬欧蓝前沿 和 。然后,前沿的集合在一个边境的芬欧蓝被定义为候选人 在哪里 。 需要计算的所有成员并选择一个边界值最高的。让表示的候选边界旨在分析和计算它。猎人需要知道访问 ,然后有多少领域可用在CPM,和什么是集体CF和佛罗里达大学的前沿。让表示的数量在CPM的前沿 。因此,预期的前沿对的集合被定义为 ,在哪里 。接下来,计算的所有成员的集体CF和佛罗里达大学通过考虑在线。自坐落在芬欧蓝的 ,然后它认为CF和佛罗里达大学计算EIG。组内的所有前沿的如代理的芬欧蓝来标示 ,在哪里 ,和表示如候选人的前沿,也就是说, 。此外,CF和佛罗里达大学的一员被表示为和 ,分别。最后,对于一个候选人在公司芬欧汇川集团代理的定义为边界 在哪里计算所有公司芬欧汇川集团在其前沿领域,然后选择一个前沿的最大值,如表示 ,这样

上面的程序选择边界被认为是开发前沿选择功能。算法1说明了一个猎人的过程在其CPM公司芬欧汇川集团或选择一个前沿。在第3行,猎人使用利润的定义,也就是说,和 ,分类边界并更新所有CF和前沿的佛罗里达大学在线板。在5和9行,代理利用(3)和(5EGs)分别计算。此外,猎人使用(4)和(6)选择一个前沿的最高价值如在7和9行,分别。

前沿选择函数解释算法1需要调用在猎人的主要算法。为此,算法2说明了一个猎人的主要决策过程的代理。在1号线,表示的最大迭代数的主要过程是执行。在第2行,猎人检查知道其边界缓冲区为空来调用前沿选择功能。在第4行,代理更新在线董事会选定的前沿地位。事实上,自董事会网店所有代理的位置还有环境的边界地图,每个边界计算的CF和佛罗里达大学在一个集中的方式,是可用的。当选择前沿是位于代理的CPM,更新后,边境不选择其他代理。否则,代理仅更新的状态选择边境等待仍然允许其他代理,即。代理,所选的前沿是在他们的CPM,选择边界。换句话说,当选择的前沿是在公司芬欧汇川集团代理的,然后还有其他更紧密的代理选择前沿的机会。这是一个重新分配的过程,结果在改善迭代任务有关的动态环境。然而,当代理靠近选中的边境,边境成为包含在它的CPM,代理可以更新选中的前沿地位,不允许重新分配了。在第7行,代理检查条件,确保选定的边界是否仍然可用。 Obviously, when the agent selects a frontier within its CPM, then this condition is always true. When a frontier is selected and is still available, then the hunter iteratively moves towards the selected frontier. In line 9, relying on the sensor data, the hunter checks whether a new task is detected while moving towards the selected frontier. In line 16, the hunter updates the new detected frontiers on the online board according to the updated captured data, while moving towards the selected frontier. To clarify, when a selected frontier is within the agent’s CPM, then the agent is responsible for exploring the corresponding area of the selected frontier, which makes it impossible for other agents to select that frontier.

3.4。推理机制:采集者

在本节中,我们的目标是开发一个基于利润率推理机制,采集有效地完成检测任务。关于这个问题,我们开发一个任务选择算法的边界选择算法在前一节中,我们也考虑到算法采集者和猎人之间的协调发展。为此,专家组的任务是任务和前沿的位置的函数。事实上,任务的位置计算如扮演主要的角色,但边界的位置也被认为涉及采集者之间的协调因素,另一个猎人。这有效地使采集者代理优先任务包围更前沿,因为任何边界密度较高的区域更敏感的猎人。这种推理合理执行采集之间的协调,完成检测任务,和猎人,探索环境通过访问前沿。

采集者代理的推理机制分为两个步骤:(1)地图更新过程,即。,the gatherer updates some additional information on each task-marked cell, and (2) the decision process, i.e., the process by which the gatherer chooses a task to accomplish. To do the map updating process, the gatherer agent classifies all detected tasks into three categories according to the definition of CPM and UPM. Then, the gatherer updates CF and UF factors of each task-marked cell. The CF of a task indicates the number of gatherers that the task is included within their CPM. The UF of a task-marked cell indicates the number of gatherers that the task is within their UPM. Accordingly, the gatherer updates CF and UF of all detected tasks within its CPM and UPM. In each iteration, the gatherer does the map updating process first and then relies on the CF and UF information of detected tasks to proceed the decision process. To develop the decision process for a gatherer agent, we first clarify how EG is defined for tasks within agent’s CPM and then we develop the EG definition for tasks within gatherer’s UPM.

假设有采集者的CPM内的任务 。然后,在其CPM组任务被定义为 在哪里 。采集者,表示 ,需要计算的所有成员然后选择一个任务的最高价值。任务的主要影响因素如采集者之间的距离,这样的任务 。这个比例需要考虑其他条件完成的任务有一个更准确的定义。让表示候选人任务旨在分析和计算它。需要知道如果它访问 ,然后有多少其他任务可以在CPM,什么是集体CF的任务。让表示任务在CPM的数量 。因此,一组关于预期的任务被定义为 在哪里 。接下来,计算所有成员的集体CF 。现在, 完成通过添加的比例系数和集体CFs 。组内的所有任务的如代理的CPM来标示 在哪里 和代表候选人的专家组的任务,也就是说, 。此外,CF的一员表示为 。因此,对于在代理的CPM候选人的任务,我们有

完成(7),我们还需要考虑之间的协调采集者和其他猎人关心前沿的可用性在CPM的候选人的任务。为此,我们将乘的右边(7由一个协调项) ,在哪里和表示的数量在CPM的前沿分别和协调系数。因此,在代理的CPM候选人的任务是定义如下:

同样的,计算对于所有任务在CPM的最大值,然后选择一个任务,这样 在哪里表示选择的任务。协调的容许值系数被定义为 。然而,这取决于尺寸的最优值和地板的环境地图,还取决于猎人代理。

出于同样的原因,如候选人任务可以定义在一个公司芬欧汇川集团采集者的细微差别。在这种情况下,集体CFs和UFs都将被考虑为候选人定义如任务。为了说明这一点,假设有任务在采集者的芬欧蓝 和 。然后,公司芬欧汇川集团在其被定义为一系列任务 在哪里 。采集者,表示 ,需要计算的所有成员然后选择一个任务的最高价值。让表示的候选人的任务旨在分析和计算它。需要知道如果它访问 ,然后有多少任务将在其CPM,和什么是集体CF和佛罗里达大学的任务。让表示任务在CPM的数量 。因此,一组关于预期的任务被定义为 在哪里 。接下来,计算所有成员的集体CF和佛罗里达大学 。如对所有任务的设置在代理的芬欧蓝来标示 在哪里 和代表候选人的专家组的任务,也就是说, 。此外,CF和佛罗里达大学的一员被表示为和 ,分别。此外,表示的数量在CPM的前沿 。因此,对于候选人的任务在公司芬欧汇川集团代理的,我们有

同样的,计算公司芬欧汇川集团内所有任务,然后选择一个任务,例如这样的最大值 在哪里表示选择的任务。

选择任务过程几乎像算法中所描绘的过程1和2。采集者的主要区别是计算如所有检测任务已说明了(8)和(9)。

4所示。仿真结果

在本节中,我们将探索和协调算法在hunter-and-gatherer场景到测试运行大量的模拟和调查方法的性能统计来自多个方面。首先,我们的目标是验证提出的任务分配算法的公平性。进行验证,通过比较代理的有效性在一组搭配的实验和分析结果T以及和方差分析40)方法,确保任务的整体工作负载分布同样在代理的类型。此后,我们研究利润率的影响总该方法的有效性通过完成参数研究和 。之后,我们需要学习的功效采集者的引入协调因子调查对规划的总效率的影响。作为最后一个步骤,该方法的功能是尝试通过比较。为此,我们首先比较了该方法的性能基准hunter-and-gatherer方法引入的作者以前的工作在多个环境中,然后探索的功能和协调算法的背景下hunter-and-gatherer方案进行比较,验证其性能和另一个基本的方法中,每个主体都狩猎和采集任务本身。这两个比较确保新提出的方法优于基准方法虽然优于nonhunter-and-gatherer方法。

模拟提出的方法,我们开发了一个multirobot从头在MATLAB仿真平台。在这个平台,我们可以实现任何自定义地图上模拟,而每种类型的代理可调。我们提供了一些基本功能为每个类型的代理,让他们操作的环境决定的。采集者,我们利用 - - - - - -基于运动规划算法,使他们能够沿着两个点在网格环境。此外,任务的数量还会在可调位置随机的环境。事实上,我们还提供了永久的植入模式模拟,对于每个收集任务,另一个任务将是分布式环境中的随机。因此,在每个迭代中,有一定数量的任务可以在环境中可调为每一个任务。此外,在永久的模式中,每一个探索和已知的网格环境变成一个未知的网格在某些迭代。永久的模式帮助分析更准确和以证据为基础的方法。

所有模拟执行在下列条件:(1)环境是分段 网格的瓷砖 ,(2)调整数量的每种类型的代理 和 ,(3)总有 任务环境,(4)的最大迭代数决定 ,(5)我们认为作为权重参数 。此外,模拟与文摘代理商为了进行试验和评估提出的算法更一般,不偏向任何特定类型的代理。

4.1。任务分配公平

证明完成的工作负载分布同样为每个类型的代理,介绍了公平的概念。我们需要调查任务分配算法从公平的角度来看,主要有两个原因:(1)证明分配不是偏向特定代理通过确保代理行为类似地在相似的特点,和(2)确认没有不平衡剂参与任务,实际上,结果在同等磨损的个人机器人在实际情况下操作。

我们定义了两种类型的每个代理的有效性因素基于他们的成本和成就。然后,使用统计分析,HGM的公平通过比较不同代理的每种类型的有效性可以证明。让和表示的有效性任务被代理的数量,分别如下:

同样的,和表示的有效性和总数量的任务收集的代理,分别,这样

调查提出的公平算法,我们跑100任务和代理的效力根据记录(10)和(11)。然后,利用统计假设检验,我们证明公平为每个类型的代理显示平均的代理的有效性在100年任务统计上是相同的。话虽如此,假设检验将被应用于100年的均值,为每一个狩猎者和采集者记录的有效性。图5(一个)显示统计结果所有的猎人。作为 ,一个方差分析测试已应用于收集的数据统计证明该算法的公平性猎人。方差分析测试已经应用如下: , ,和 ,在哪里表示的平均值为100年测试和表示显著性水平。根据方差分析测试的结果,我们有 , ,和 。自 和 ,我们必须保持零假设。因此,它已经证明了这一点 。此外,由于 ,一个配对T以及被应用到数据调查的公平性提出了采集算法。假设测试已经完成以这样一种方式 , , , , ,和 。根据测试 。因为, ,我们必须保持零假设。因此,它已被证明 ,见图5 (b)。

4.2。代理的利润对总效率的影响

介绍的算法提出强烈依赖的定义利润率,作为讨论的方法论部分。因此,我们需要研究利润率的影响参数对任务的有效性,以展示他们对这两种类型的代理功能。出于这个原因,我们定义了任务的有效性,表示 ,这是完成的任务的总数的比率, ,和集体的整个成本的任务, ,如下:

关于(14),广泛的模拟竞选的所有值和 ,即。,the profit margins of hunters, such that 和 ,而 。 已经计算出每组的值和 ,如图6(一)。结果表明,范围从0到0.012而改变的价值和在整个模拟。如图6(一)显示,总效率达到最大值,当 和 。此外,轻微增加总效率图6(一)对于小的值和可以解释为永久运行模拟的影响。在永恒的模式中,已知的未知领域得到一定数量的迭代后,不可避免地支持代理与较小的利润。正因为如此,尽管一个猎人代理小的值和不能探索遥远的边界检测任务,周边探索未知领域得到出现新任务的可能性。然而,利润空间的整体效果的猎人确保最高的存在 。

类似的模拟运行的所有值和 ,即。,the profit margins of gatherers, such that 和 ,而 。 已经计算出每组的值和 ,如图6 (b)。结果表明,范围从0到0.012而改变的价值和在整个模拟。结果显示,总效率达到最大值时 和 。

得出的主要结论是,引入利润参数两种类型的代理对总效率有不同的影响,存在一个最大值 。此外,根据提出的方法这两种类型的代理,什么时候减少,代理变得不那么自信,当增加,代理变得不那么保守了。在这方面,两种类型的代理,最好的策略达到的最大值既不是完全自信也不是被完全保守,但两者的结合导致最优结果。

4.3。协调因素对总效率的影响

在本节中,我们的目标是调查协调的影响因素,介绍了部分3.4在任务的有效性。进行全面调查,我们进行实验在三个不同级别不同的网格地图障碍复杂性:(a)一个简单的网格地图包含连续两个障碍,(b)包含稀疏网格地图障碍,和(c)在网格地图包含狭窄的走廊和密闭房间,如图7。

定义三种不同的网格地图之后,我们的算法为不同值的200倍在每个网格地图定义,如图8。首先,这些结果表明,有一个值在每个网格地图导致最大的价值这表示的平均值200年测试。考虑到我们要知道多少协调因素变化时增加 来 。事实上,这种调查比较两种情况:(1)任务计划没有任何采集者和猎人之间的协调 ,(2)任务计划和协调因素的最佳值 。为此,我们应用一个配对T以及收集数据集的两个人物8(一个)。第一个数据集包含200的措施为 ,第二个数据集包括200的措施为 。测试进行了考虑 , , , , ,和 在哪里和表示的平均值分别为第一和第二数据集。根据测试结果, , ,和 。自 和 ,我们拒绝 。因此,结果证明通过改变增加超过15%从0到0.4。

同样,我们应用相同的统计分析收集到的数据从其他两个网格地图,即。、环境与稀疏的障碍和限制障碍,如图8 (b)和8 (c)。根据分析对环境与稀疏的障碍,增加了35%改变从0到其最优值是0.6。此外,分析表明,通过改变从0到其最优值包含在障碍,对环境增加60%。考虑的统计分析结果在所有三个环境中,有两个深刻影响协调的影响因素在不同的环境中:

第一,多障碍环境的复杂性,越下降的总规划算法的有效性。在这个问题上,总效率没有任何狩猎者和采集者之间的协调 从一个环境下降32.4%与简单的障碍一个稀疏的障碍。这是更严重的下降,为45.7%,通过改变环境的障碍,从简单的限制的障碍。总之,之间缺乏协调合作代理,即。,hunters and gathers, is relatively more critical problem when the environment comprises more complex obstacles and confined and narrow corridors.

其次,当环境包含更复杂的障碍,这需要更高的价值的因素的协调为了防止总效率显著下降。结果呈现在图8建议的最佳值是0.4的环境中使用简单的障碍,而最优值增加到0.6和1稀疏和限制障碍,分别。再一次,这一发现强调了临界和代理之间的协调合作的必要性和临界互补的团队。

4.4。Hunter-and-Gatherer的功能验证方法

在本节中,我们的目标是比较新开发的规划算法解决的探索和协调方面hunter-and-gatherer场景与基准hunter-and-gatherer任务规划中引入[9]。为此,我们进行比较三个环境包含不同配置的障碍,如图所示7。200测试为每个解决方案在每个环境中进行,如图9显示结果。画一个有效的比较,两种解决方案的共同参数设置相同 , , , , ,和 。其他特定参数设置为他们的两种解决方案的最优值。

结果显示,本文提出的新方法执行明显优于基准hunter-and-gatherer任务规划在三个不同的环境。为了证明这对环境统计与简单的障碍,我们应用一个配对T收集的数据集以及两个,第一个数据集包含200的措施新方法的介绍工作,第二个数据集包括200的措施为基准hunter-and-gatherer方法。统计分析表明,新方法执行比14%的基准方法,更有效 , , , ,和 。出于同样的原因,新方法优于基准溶液28%和36%在稀疏的环境和限制障碍,分别。

上述分析表明,改进的数量与障碍环境的复杂性。已经说过,解决的探索和协调hunter-and-gatherer场景更关键环境构成障碍,尤其是密集的障碍。这主要是因为在基准方法执行在密闭环境中包括密集的障碍,代理人更容易得到远离对方,消除任何重叠代理的利润。因此,各种各样的谈判收敛到被拒绝因为距离因素使得所有谈判无利可图。尽管在新方法的代理仍然依靠他们的利润率,使决策,协调因子之间的狩猎者和采集者有助于保持合理的利润率的重叠。这导致了一个相对更有效和高效的性能与障碍的存在环境,相对于基准的方法。

进一步调查提出了规划方法的性能,我们结合不同multirobot探索算法开发平台和测量总计划的有效性,定义在方程(14)。换句话说,我们保持了算法对采集者和调查方法的性能与不同的搜索算法的猎人,包括提出了名为EG-based前沿的选择。这个实验已经进行倾诉中引入网格地图的人物7 (c)每个探测算法,实验被重复的每个值20倍 。作为显示在图10,随机漫步多重代理探索算法(41)执行无效的相比于其他算法。这主要是因为随机漫步的搜索算法忽略了边界之间的距离,并无视环境中的其他猎人的位置。通过考虑到候选人前沿的距离,可替换主体frontier-based探索算法(42)提高了93.4%的总计划的有效性结果与随机游走算法相比。frontier-based探索算法的最优的性能与八个猎人在密闭环境中发生,而随机漫步算法需要十个猎人对同一环境达到最优性能。

另外,现场分区可替换主体探索算法(20.)执行大大优于frontier-based算法和提高总效率115.2%的结果与frontier-based算法。这个算法的分区机制减少之间的冲突和重叠的探险家导致相对更高效的性能。此外,现场分区算法需要六个猎人进行优化。最后,EG-based multirobot探索算法提出了优于所有三个算法。虽然EG-based探索算法同样需要6猎人进行优化,它能增强现场分区结果为17.8%。事实上,EG-based探索算法便于动态和时间分区为代理商提供更大的灵活性和控制的自由来决定和计划优化。

4.5。Hunter-and-Gatherer的功能验证方法

验证的功能hunter-and-gatherer方法,我们比较该方法与另一种方法中,只有一个类型的代理做一起探索和完成任务。这种比较的目的是要回答两个关键问题:(1)是hunter-and-gatherer方案比解释更经济的替代方法吗?和(2)标准需要满足hunter-and-gatherer方案的相对经济?

hunter-and-gatherer方法从根本上不同于替代方法在使用两种类型的敏捷(猎人)和灵巧(采集)代理。替代方法相比,每个任务需要两个代理,也就是说,一双hunter-and-gatherer代理商,在hunter-and-gatherer完成计划。这使得权重参数的比值 一个必要的因素进行研究。因此,标准判断hunter-and-gatherer方案应表达的功能权重参数的比值。为此,我们跑不同的值的算法在每个地图,其总有效率和总有效率相比替代方法在三之前定义的环境中,如图11。结果显示,经济使用的提议hunter-and-gatherer方法动态ST-MR-TA: SP问题当且仅当我们利用hunter-and-gatherer代理满足 约。换句话说,如果成就一个猎人代理成本在一定的任务是收集不到45%的成就成本相同的任务,然后采用hunter-and-gatherer计划,而不是替代方法,相对经济。

5。结论

本文地址multirobot任务分配问题在动态环境中,着重于探索hunter-and-gatherer和协调方面的计划。在这条线的思想,我们提出了一个创新的决策机制基于小说的概念如衡量信息的密度在周围的一个潜在的工作(任务/边界)。我们证明了应用EG-based解决勘探和决策机制在狩猎和采集野果时任务分配方面的问题将极大地提高hunter-and-gatherer方案的性能相比,作者的前negotiation-based解决方案。我们发现,改进的意义与障碍环境的复杂性。此外,这项工作提出了一个EG-based协调算法采集者,导致重大的增加计划的有效性。统计分析模拟的结果表明,有一个最佳值最大化协调因素规划的总效率。同样地,我们发现协调因素的最佳值变化与不同密度和困难的环境障碍。总的来说,更高的复杂性和困难的障碍在未知环境下,该方法的改善效果越规划的总效率。此外,我们表明,使用两个互补的团队的狩猎者和采集者可以有效地提高总效率的任务分配任务。然而,这只是当定义的标准判断,与权重参数的比值有关,是充分满足。 Practically speaking, the affordability criteria comparing relative costs of each type of agent are straightforwardly satisfiable, as the USAR case exemplifies a real-world problem where the relative accomplishment costs of hunters (small UAVs) and gatherers (heavy-duty UGVs) satisfy the defined criteria.

未来的研究应该定义代价函数更全面考虑代理之间的通信负担。这提供了更现实的设置评估解决方案利用通信的功效,比如hunter-and-gatherer方案。除此之外,还需要进一步的研究来证实hunter-and-gatherer方案的功能在实践中通过开展multirobot试验台研究的复杂性和局限性发达的上下文中理论hunter-and-gatherer方法。未来的工作也可以考虑优化控制参数介绍了利用各种优化工作或学习方法。

数据可用性

数据和源代码用于支持本研究的发现可以从相应的作者。康奈尔大学图书馆(本文已存档43]。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了拉马尔大学通过内部资金。

引用

1. s . a . Nelke s Okamoto, r . Zivan”市场clearing-based多智能体任务分配的动态,“ACM智能交易系统和技术,11卷,不。1、1 - 25,2020页。视图:出版商的网站|谷歌学术搜索
2. m . j . Matarićg s Sukhatme, e·h·Østergaard“多机器人任务分配在不确定的环境中,”自主机器人,14卷,不。2、255 - 263年,2003页。视图:谷歌学术搜索
3. w·Burgard m .荒原,c . Stachniss f·e·施耐德,“多机器人协调勘探”,IEEE机器人,21卷,不。3、376 - 386年,2005页。视图:出版商的网站|谷歌学术搜索
4. w .盛,问:杨、j . Tan和n . Xi“分布式多机器人协调在区域探索,”机器人和自治系统,54卷,不。12日,第955 - 945页,2006年。视图:出版商的网站|谷歌学术搜索
5. e . Asali m . Valipour n . Zare a . Afshar m . Katebzadeh和g . h . Dastghaibyfard”使用机器学习的方法来检测对手形成,”学报2016年人工智能和机器人(IRANOPEN)加兹温,页140 - 144年,伊朗,2016年4月。视图:出版商的网站|谷歌学术搜索
6. h . Haeri k Jerath, j . Leachman“Thermodynamics-inspired宏观状态有界成群,”ASME字母在动态系统控制,1卷,不。1,2021。视图:出版商的网站|谷歌学术搜索
7. h . Haeri k Jerath, j . Leachman“Thermodynamics-inspired建模宏观群国家”学报2019年AMSE动态系统和控制会议美国城市公园,UT, 2019年10月。视图:出版商的网站|谷歌学术搜索
8. f .你们j·陈,问:太阳,y,和t .江“分散的异构multi-UAV系统任务分配与任务耦合约束,“《华尔街日报》的超级计算,卷77,不。1,第132 - 111页,2021。视图:出版商的网站|谷歌学术搜索
9. m . Dadvar s Moazami h·r·迈勒和h . Zargarzadeh”可替换主体在互补的团队任务分配:hunter-and-gatherer方法,”复杂性卷,2020篇文章ID 1752571, 2020。视图:出版商的网站|谷歌学术搜索
10. m .伊斯兰教、m . Dadvar和h . Zargarzadeh”动态任务分配按地区分配方法,”复杂性卷,2020篇文章ID 8141726, 2020。视图:出版商的网站|谷歌学术搜索
11. b . p . Gerkey和m . j . Matarić”正式的分析和分类的多机器人系统的任务分配,”国际机器人研究杂志》上,23卷,不。9日,第954 - 939页,2004年。视图:出版商的网站|谷歌学术搜索
12. H.-L。崔Han-Lim l .深色和j.p.如何,“基于共识的分散的拍卖,健壮的任务分配,”IEEE机器人,25卷,不。4、912 - 926年,2009页。视图:出版商的网站|谷歌学术搜索
13. 蜜蜂Jevtić和a·古铁雷斯“分布式算法参数优化为一个成本高效目标分配在成群的机器人,”传感器,11卷,不。11日,第10893 - 10880页,2011年。视图:出版商的网站|谷歌学术搜索
14. Liemhetcharat和m .维罗索”加权协同图有效团队形成异构临时代理,“人工智能,卷208,41 - 65,2014页。视图:出版商的网站|谷歌学术搜索
15. 山内,“frontier-based方法自主探索,”学报1997年IEEE机器人与自动化国际研讨会上计算智能CIRA 97年。“对新机器人与自动化计算原则”蒙特利,页146 - 151年,CA,美国,1997年7月。视图:出版商的网站|谷歌学术搜索
16. 山内,“Frontier-based探索使用多个机器人,”第二次国际会议上自治代理学报》上页,47-53明尼阿波利斯,美国,1998年5月。视图:出版商的网站|谷歌学术搜索
17. r . Zlot a . Stentz m·b·迪亚斯和金缕梅,“多机器人探索市场经济控制,”学报2002年IEEE机器人与自动化国际会议上(猫。02 ch37292),3卷,页3016 - 3023,华盛顿,2002年5月,美国。视图:出版商的网站|谷歌学术搜索
18. r s Bhattacharya Ghrist,诉Kumar“多机器人覆盖和探索在黎曼流形边界,”国际机器人研究杂志》上,33卷,不。1,第137 - 113页,2014。视图:出版商的网站|谷歌学术搜索
19. 美国巴塔查里亚:迈克尔,诉Kumar“分布式覆盖和探索未知的非凸环境。”分布式自主机器人系统施普林格,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
20. j。j Lopez-Perez, h . Hernandez-Belmonte j。Ramirez-Paredes m a Contreras-Cruz,诉Ayala-Ramirez“分布式multirobot分区和前沿探索基于场景的选择,”数学问题在工程卷,2018篇文章ID 2373642, 2018。视图:出版商的网站|谷歌学术搜索
21. a . Prorok m·a·谢长廷,诉Kumar“多样性的影响对异构机器人成群,最优控制策略”IEEE机器人,33卷,不。2、346 - 358年,2017页。视图:出版商的网站|谷歌学术搜索
22. g . d . Wu曾庆红,l .孟w·周和l·李,”基尼系数对多机器人系统的任务分配有限的能源资源,”IEEE / CAA自动化杂志》上,5卷,不。1,第168 - 155页,2017。视图:出版商的网站|谷歌学术搜索
23. j . Faigl o . Simonin, f . Charpillet”比较frontier-based任务分配算法的多机器人探索,”《欧洲会议在多代理系统,页101 - 110,布拉格,捷克共和国,2014年12月。视图:谷歌学术搜索
24. e . Nunes m .方式、h . Mitiche和m .基尼”的分类任务分配时间和顺序约束问题,“机器人和自治系统卷。90年,55 - 70、2017页。视图:出版商的网站|谷歌学术搜索
25. s . Habibian m . Dadvar b Peykari et al .,“maxi-sized移动机器人的设计与实现(卡)救援任务,”ROBOMECH杂志,8卷,不。1,1-33,2021页。视图:出版商的网站|谷歌学术搜索
26. 美国Poonguzhali和t . Gomathi播种与耕耘”的设计和实现农业机器人使用物联网,”软计算技术和应用程序施普林格,柏林,德国,2021年。视图:出版商的网站|谷歌学术搜索
27. c . a, s . s . Makhanov: a . Van和v . m . Duc”建模和计算的实时应用力矩和力/力矩不完整约束,以及优化设计的车轮自主安全机器人追踪一个移动的目标,“数学和计算机模拟卷,170年,第315 - 300页,2020年。视图:出版商的网站|谷歌学术搜索
28. 问:陆、通用Fricke j . c .修建和m . e .摩西,“群觅食点评:关闭之间的差距和实践证明,“当前机器人技术报告,卷1,1 - 11,2020页。视图:出版商的网站|谷歌学术搜索
29. 美国Saju Sankar和s . s . Vinod钱德拉”多智能蚁群优化算法有效的交通管理,”ICSI学报2020年国际会议上群体智慧,页640 - 647,贝尔格莱德,塞尔维亚,2020年7月。视图:出版商的网站|谷歌学术搜索
30. c·哈恩·里兹,p . Wikidal t .表象,t·伽柏和c . Linnhoff-Popien“多智能体强化学习觅食成群使用,”人工生命学报》2020人工生命会议论文集加拿大蒙特利尔,页333 - 340,,2020年7月。视图:出版商的网站|谷歌学术搜索
31. w·李:沃恩,d . Kim”任务分配到一个觅食任务和一系列子任务在群体机器人系统中,“IEEE访问,8卷,第107561 - 107549页,2020年。视图:出版商的网站|谷歌学术搜索
32. j·t·艾萨克斯n . Dolan-Stern m . Getzinger大肠华纳,a .贝和a·桑切斯”中心位置觅食:交付车道,招聘和网站忠诚,”学报2020年IEEE国际会议上自主机器人系统和竞赛(ICARSC)蓬塔德尔加达,页319 - 324年,葡萄牙,2020年4月。视图:出版商的网站|谷歌学术搜索
33. t . Deemyad: Hassanzadeh, a . Perez-Gracia”耦合机制与斜轴通用机械手,”《IFToMM研讨会上对机器人机构设计乌迪内,页344 - 352年,意大利,2018年8月。视图:出版商的网站|谷歌学术搜索
34. t . Deemyad o . Heidari对伊朗伊斯兰共和国通讯社表示,a . Perez-Gracia“奇点rrs设计机制”《USCToMM研讨会上机械系统和机器人快速的城市,页287 - 297,SD,美国,2020年5月。视图:出版商的网站|谷歌学术搜索
35. r·r·墨菲搜救机器人施普林格,柏林,德国,2007年。
36. o . Goldreich”找到最短的move-sequence graph-generalized 15-puzzle np困难,”研究复杂性和加密。杂集上的随机性和计算之间的相互作用施普林格,柏林,德国,2011年。视图:出版商的网站|谷歌学术搜索
37. d·拉特纳和m . Warmuth”(n²−1)难题和相关搬迁问题。”杂志的符号计算,10卷,不。2、111 - 137年,1990页。视图:出版商的网站|谷歌学术搜索
38. h·阿齐兹,h·陈。Cseh, b, f .他和c·王AAMAS 21: 20国际会议的程序自治代理和多重代理系统英国,虚拟事件,2021年5月。
39. c . m . b . Kim Kang j . Kim c . c .涌,s·h·李和j·w·崔”概率车辆轨迹通过递归神经网络预测在占用网格地图,”学报2017年IEEE 20国际会议上智能交通系统(ITSC)404年,页399 - 2017年10月,日本横滨。视图:出版商的网站|谷歌学术搜索
40. d . c .蒙哥马利·g·c·响,n . f . Hubele工程数据新泽西州霍博肯市约翰·威利& Sons,美国,2009年。
41. b .庞,y的歌,c . Zhang, r·杨“随机游走方法对搜索效率的影响在群机器人领域探索,“应用智能,51卷,不。7,5189 - 5199年,2021页。视图:出版商的网站|谷歌学术搜索
42. a . y . Wang Liang, h .关”Frontier-based多机器人地图探索使用粒子群优化”《2011年IEEE研讨会上群体智慧,页1 - 6,巴黎,法国,2011年4月。视图:出版商的网站|谷歌学术搜索
43. m . Dadvar s Moazami h·r·迈勒和h . Zargarzadeh”勘探和协调互补的多机器人团队在狩猎者和采集者的情况下,“2019年,http://arxiv.org/abs/1912.07521。视图:谷歌学术搜索

版权

版权©2021迈赫迪Dadvar等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。