ディリクレ過程ガウス混合モデルによる確率的フロンティア優先度付けでマルチロボット探索を強化する

概要: マルチエージェントによる自律的な探索は、環境モニタリング、捜索救助、そして産業規模の監視といった用途にとって不可欠です。しかし、通信制約のもとで効果的に協調することは依然として大きな課題です。フロンティア探索アルゴリズムは、既知領域と未知領域の境界を解析し、探索上の得を最大化する次点の視点（next-best view）を決定します。この記事では、フロンティア優先順位付けに確率的なアプローチを導入することで、既存のフロンティアベース探索アルゴリズムを強化する提案を行います。ディリクレ過程ガウス混合モデル（DP-GMM）と、情報利得を確率的に定式化することを活用することで、本手法はフロンティア優先順位付けの質を向上させます。提案するこの強化は、最先端のマルチエージェント探索アルゴリズム2つに統合されており、障害物の多さ（クラッタ）の異なる環境、通信制約、そしてチーム規模のさまざまな条件において一貫して性能を向上させます。シミュレーションでは、2つのアルゴリズムがあらゆる組み合わせにわたって平均でそれぞれ10
e%と14
e%の得を示すことが明らかになりました。さらに、デュアルドローンシステムによる実環境実験への実デプロイメントにより、これらの結果は裏付けられています。