Persepsi Kolaborasi Multi-Robot dengan Graph Neural Networks
Uncategorized

Persepsi Kolaborasi Multi-Robot dengan Graph Neural Networks

Persepsi multi-robot berdasarkan jaringan saraf tiruan mencakup berbagai tugas seperti deteksi multi-robot, pelacakan, atau pelokalan dan pemetaan.

Sebuah makalah baru-baru ini di arXiv.org membahas masalah persepsi multi-robot dengan Graph Neural Networks (GNNs). Para peneliti mengusulkan kerangka persepsi berbasis GNN yang dapat digeneralisasikan untuk sistem multi-robot untuk meningkatkan akurasi persepsi inferensi robot tunggal.

Robot industri. Kredit gambar: Auledas melalui Wikimedia, CC-BY-SA-4.0

Pendekatan ini menanamkan hubungan spasial antara node tetangga ke dalam pesan. Bobot pesan disesuaikan menurut korelasi fitur simpul dari robot yang berbeda. Para peneliti telah menerapkan metode ini dalam dua tugas: estimasi kedalaman monokular kolaboratif dan segmentasi semantik.

Pendekatan ini efektif bahkan dalam kasus yang menantang seperti sensor kamera yang terpengaruh oleh noise atau oklusi gambar yang berat. Ini adalah pertama kalinya GNN digunakan untuk menyelesaikan tugas persepsi multi-tampilan menggunakan data gambar robot nyata.

Sistem multi-robot seperti kawanan robot udara secara alami cocok untuk menawarkan fleksibilitas, ketahanan, dan ketahanan tambahan dalam beberapa tugas dibandingkan dengan robot tunggal dengan memungkinkan kerja sama di antara agen. Untuk meningkatkan proses pengambilan keputusan robot otonom dan kesadaran situasional, sistem multi-robot harus mengoordinasikan kemampuan persepsi mereka untuk mengumpulkan, berbagi, dan menggabungkan informasi lingkungan di antara agen dengan cara yang efisien dan bermakna seperti untuk secara akurat memperoleh informasi yang sesuai konteks atau mendapatkan ketahanan terhadap kebisingan atau kegagalan sensor. Dalam makalah ini, kami mengusulkan Graph Neural Network (GNN) tujuan umum dengan tujuan utama untuk meningkatkan, dalam tugas persepsi multi-robot, akurasi persepsi inferensi robot tunggal serta ketahanan terhadap kegagalan dan gangguan sensor. Kami menunjukkan bahwa kerangka kerja yang diusulkan dapat mengatasi masalah persepsi visual multi-tampilan seperti estimasi kedalaman monokular dan segmentasi semantik. Beberapa percobaan baik menggunakan data foto-realistis dan nyata yang dikumpulkan dari beberapa sudut pandang robot udara menunjukkan efektivitas pendekatan yang diusulkan dalam kondisi inferensi yang menantang termasuk gambar yang rusak oleh noise berat dan oklusi atau kegagalan kamera.

Makalah penelitian: Zhou, Y., Xiao, J., Zhou, Y., dan Loianno, G., “Multi-Robot Collaborative Perception with Graph Neural Networks”, 2021. Tautan: https://arxiv.org/abs/2201.01760



Posted By : togel hongkon