Riassunto analitico
Il lavoro presentato in questa tesi si concentra sulla sfida di dispiegare un sistema multi-robot per coprire efficacemente un dominio con una distribuzione di densità sconosciuta e non stazionaria e massimizzare la sua copertura. L'obiettivo è sviluppare un algoritmo di controllo basato sul "Coverage" che consenta a un gruppo di robot autonomi di apprendere e stimare un campo spaziale sconosciuto e potenzialmente variabile nel tempo, ottenendo una copertura ottimale. L'approccio proposto in questo lavoro di tesi incorpora una strategia adattiva che bilancia il trade-off tra l'apprendimento del campo spaziale e il raggiungimento della copertura ottimale di quello stimato. La metodologia, che si basa sul partizionamento di "Voronoi" dell'ambiente, garantisce che i robot convergano verso una configurazione che massimizza la copertura delle aree più importanti dell'ambiente. Queste aree sono definite da una funzione di densità di probabilità specificata sull'ambiente. La distribuzione di densità è tipicamente utilizzata per descrivere un processo spaziale che un gruppo di robot ha il compito di monitorare. Inoltre, la metodologia considera scenari in cui i robot operano con sensori rumorosi e in ambienti rumorosi. Il rumore ha un impatto significativo sull'accuratezza della stima del processo spaziale e può portare a strategie di distribuzione dei robot non ottimali. A tal fine, la strategia di controllo utilizza i Processi Gaussiani (GPR) per costruire un modello del processo spaziale monitorato nell'ambiente. Il modello è la distribuzione della funzione di densità che codifica la stima e l'incertezza della stima. L'obiettivo di questo lavoro è esplorare in modo efficiente il campo spaziale sconosciuto e utilizzare i Processi Gaussiani per apprendere e coprire in modo ottimale l'ambiente. I robot possono concentrare la loro copertura sulle aree più rilevanti dell'ambiente sfruttando i dati del Processo Gaussiano. Il compromesso tra esplorazione e sfruttamento delle informazioni apprese si ottiene attraverso un'ottimizzazione Bayesiana con una funzione di acquisizione. Una funzione di acquisizione combina la stima e l'incertezza sulla stima in un criterio che produce la massima utilità, in termini di apprendimento della funzione o di utilizzo delle informazioni sulla funzione. La distribuzione dell'utilità nell'ambiente è più ponderata verso l'esplorazione se la funzione di densità è completamente sconosciuta e più ponderata verso lo sfruttamento delle informazioni se la funzione di densità è già stata sufficientemente esplorata. In questo modo l'approccio adatta la strategia di controllo della copertura per spingere i robot verso le aree ad alta utilità. Inizialmente i robot sono disposti in una configurazione sparsa e iniziano a raccogliere campioni per apprendere il processo spaziale. Poi seguono la funzione di densità stimata, concentrandosi intorno all'area che sono stati incaricati di monitorare. Questo metodo affronta anche i limiti computazionali dei Processi Gaussiani quando si tratta di grandi dataset. Per ridurre l'eccessiva complessità computazionale e gestire il rumore sulle osservazioni, l'algoritmo di controllo filtra l'insieme dei campioni, selezionando solo quelli rilevanti per migliorare la stima del processo. Per valutare l'efficacia dell'algoritmo proposto sono state effettuate diverse simulazioni e test su piattaforme reali. I risultati di questi esperimenti confermano l'efficacia della metodologia nell'affrontare sfide quali distribuzioni di densità sconosciute e variabili nel tempo, osservazioni rumorose e gestione di grandi dataset per evitare un'eccessiva complessità computazionale.
|
Abstract
The work presented in this thesis focuses on the challenge of deploying a multi-robot system to effectively cover a domain with an unknown and non-stationary density distribution and maximise its coverage. The objective is to develop a coverage-based control algorithm that enables a group of autonomous robots to learn and estimate an unknown and potentially time-varying spatial field while achieving optimal coverage. The approach proposed in this thesis work, incorporates an adaptive strategy that balances the trade-off between learning the spatial field and achieving optimal coverage of the estimated one. The methodology, which is based on Voronoi partitioning of the environment, ensures that the robots converge to a configuration that maximises the coverage of the most important areas of the environment. These areas are defined by a probability density function that is specified over the environment. The density distribution is typically used to describe a spatial process that a group of robots is tasked with monitoring. In addition, the methodology considers scenarios where the robots operate with noisy sensors and in noisy environments. Noise has a significant impact on the accuracy of the spatial process estimation and can lead to sub-optimal robot deployment strategies. To achieve this, the control strategy uses Gaussian Process Regression (GPR) to construct a model of the monitored spatial process in the environment. The model is the distribution of the density function that encodes the estimate and the uncertainty in the estimate. The aim of this work is to efficiently explore the unknown spatial field and use the Gaussian Process to learn and optimally cover the environment. The robots can focus their coverage on the most relevant areas of the environment by exploiting the data from the Gaussian Process. The trade-off between exploration and exploitation of the learnt information is achieved through a Bayesian Optimization with an acquisition function. An acquisition function combines the estimation and the the uncertainty over the estimation into a criterion that produces the highest utility, in terms of learning the function or using the function information. The utility distribution in the environment is more weighted towards the exploration if the density function is completely unknown and is more weighted towards the exploitation if the density function has been sufficiently explored already. In this way the approach adapt the coverage control strategy to push the robots to the high utility areas. Initially the robots are set up in a spread configuration and begin collecting samples to learn the spatial process. Then they follow the estimated density function once it has been estimated concentrating around the area they have been tasked to monitor. This method also addresses the computational limitations of Gaussian processes when handling with large datasets. In order to reduce excessive computational complexity and deal with observation noise, the control algorithm filters the set of samples, selecting only those that are relevant to improving the process estimation. Extensive simulations and real platform tests have been carried out to evaluate the effectiveness of the proposed algorithm. The outcomes of these experiments support effectiveness of the methodology in dealing with challenges such as unknown time-varying density distributions, noisy observations, and handling large datasets to avoid excessive computational complexity.
|
