基于强化学习的动态现场探索和重建,使用多机器人系统进行环境监测
Thinh Lu1, Divyam Sobti1, Deepak Talwar1
1Computer Engineering Department, San Jose State University, San Jose, CA, United States.
Frontiers in robotics and AI
|April 9, 2025
概括
本研究提出了一个多机器人系统战略,用于实时环境监测. 它使用强化学习和聚类来有效地探索和绘制具有扩散源的动态场.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 环境科学 环境科学
- 人工智能的人工智能
背景情况:
- 多机器人系统为危险环境监测提供解决方案.
- 实时探索和绘制动态场的地图对于危险检测至关重要.
- 人类在危险环境中的干预带来了重大的安全风险.
研究的目的:
- 为多机器人系统制定有效的路径规划和控制策略.
- 探索和重建具有多个扩散源的动态场.
- 增强覆盖范围,加快在未知的环境中进行勘探.
主要方法:
- 整合基于强化学习的路径规划算法.
- 使用基于集群的方法在新源检测时选择目的地.
- 采用多机器人队伍来识别扩散源.
主要成果:
- 通过模拟来探索和重建动态场的有效性.
- 在现实实验室实验中验证了该方法.
- 成功引导多机器人系统识别和映射扩散源.
结论:
- 拟议的方法提高了多机器人系统在环境监测方面的能力.
- 这一战略对救援任务和现场勘探具有实际意义.
- 推进自主探索和动态环境映射领域.
