Dec-MCTS: Planejamento descentralizado para percepção ativa de múltiplos robôs

Propomos uma variante descentralizada da busca em árvore de Monte Carlo (MCTS) que é adequada para uma variedade de tarefas em percepção ativa de múltiplos robôs. Nosso algoritmo permite que cada robô otimize suas próprias ações mantendo uma distribuição de probabilidade sobre planos no espaço de ação conjunta. Os robôs comunicam periodicamente uma forma comprimida de suas árvores de busca, que são usadas para atualizar a distribuição conjunta usando uma abordagem de otimização distribuída inspirada em métodos variacionais. Nosso método aceita qualquer função objetivo definida sobre sequências de ações de robôs, assume comunicação intermitente, é independente do tempo e é adequado para replanejamento online. Nosso algoritmo apresenta uma nova política de expansão de árvore MCTS que é projetada para nosso cenário de planejamento. Estendemos a análise teórica do MCTS padrão para fornecer garantias sobre as taxas de convergência para a sequência de pagamento ótima. Avaliamos o desempenho do nosso método para orientação de equipe generalizada e reconhecimento ativo de objetos online usando dados reais, e mostramos que ele se compara favoravelmente ao MCTS centralizado mesmo com comunicação severamente degradada. Esses exemplos demonstram a adequação do nosso algoritmo para percepção ativa em mundo real com múltiplos robôs.