異種ロボットチームのための適応的障害物認識タスク割当ておよび計画

Abstract

多エージェント課題割当て・計画（MATP）は注目を集めているものの、障害物が多い環境におけるスケーラビリティ、空間推論、適応性の面で依然として課題が残っています。これらの課題に対処するため、私たちは不均質なロボット編成のための適応的な障害物認識型課題割当て・計画（OATH）を提案します。これは、課題割当てのための新しい障害物認識型戦略を導入することでMATPを発展させるものです。まず、適応的なハルトン系列マップを開発します。これはMATPにおいて、障害物を認識した適応を伴うハルトン・サンプリングを適用したこととして初めて知られている手法であり、障害物分布に基づいてサンプリング密度を調整します。次に、障害物認識型クラスタリングと、重み付きオークションおよびクラスタ内部での課題選択を統合したクラスタ・オークション選択フレームワークを提案します。これらの仕組みにより、不均質なロボット間の効果的な協調を可能にしつつ、スケーラビリティと、準最適な配分性能を維持できます。さらに、私たちのフレームワークはLLMを活用して人間の指示を解釈し、リアルタイムで直接プランナを導きます。NVIDIA Isaac Simと、TurtleBotプラットフォームを用いた現実世界のハードウェア実験の両方でOATHを検証し、最先端のMATPベースラインと比べて、課題割当ての質、スケーラビリティ、動的な変化への適応性、ならびに全体的な実行性能において顕著な改善が得られることを示します。プロジェクトのWebサイトは https://llm-oath.github.io/ で公開しています。