Reinforcement Learning der Multi-Roboter-Aufgabenverteilung für den Multi-Objekttransport mit nicht durchführbaren Aufgaben

Der Transport von mehreren Objekten mit Multirobot-Systemen bietet das Potenzial für vielfältige praktische Anwendungen wie Lieferdienste, aufgrund seines effizienten individuellen und skalierbaren kooperativen Transports. Die Zuordnung von Transportaufgaben für Objekte mit unbekannten Gewichten bleibt jedoch eine Herausforderung. Zudem kann das Vorhandensein von nicht realisierbaren Aufgaben (nicht transportierbare Objekte) zu einem Stillstand der Roboter (Deadlock) führen. Dieses Papier schlägt einen Rahmen für die dynamische Aufgabenverteilung vor, der das Speichern von Erfahrung mit Aufgaben für jede Aufgabe in skalierbarer Weise in Bezug auf die Anzahl der Roboter umfasst. Zunächst werden diese Erfahrungen vom Cloud-Server an das gesamte Robotersystem übertragen. Anschließend lernt jeder Roboter die Ausschlussniveaus für jede Aufgabe basierend auf diesen Aufgaben Erfahrungen, wodurch er nicht durchführbare Aufgaben ausschließen und seine Aufgabenvorlieben zurücksetzen kann. Schließlich werden individueller Transport, kooperativer Transport und der temporäre Ausschluss von als nicht durchführbar betrachteten Aufgaben realisiert. Die Skalierbarkeit und Vielseitigkeit der vorgeschlagenen Methode wurden durch numerische Experimente mit einer erhöhten Anzahl von Robotern und Objekten, einschließlich nicht gelernten Gewichtobjekten, bestätigt. Die Effektivität der temporären Vermeidung von Deadlocks wurde ebenfalls bestätigt, indem zusätzliche Roboter innerhalb einer Episode eingeführt wurden. Die vorgeschlagene Methode ermöglicht die Umsetzung von Aufgabenverteilungsstrategien, die für unterschiedliche Anzahl von Robotern und verschiedene Transportaufgaben ohne vorherige Berücksichtigung der Durchführbarkeit machbar sind.