MARC

 008260203s2023        us                              c    eng  d
■001000017365879
■00520260209102846
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291562550
■035    ▼a(MiAaPQ)AAI32271290
■035    ▼a(MiAaPQ)httphdlhandlenet2142121443
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aMotes,  James.
■24510▼aMulti-Robot  Task  and  Motion  Planning  in  Hybrid  State  Spaces
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a130  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Amato,  Nancy  M.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2023.
■520    ▼aThe  use  of  autonomous  multi-robot  systems  is  rapidly  increasing.  Utilizing  these  systems  requires  the  ability  to  quickly  generate  plans  for  large  numbers  of  robots  and  to  handle  highly  coordinated  interactions  between  robots.  Current  methods  consist  of  either  decoupled  or  composite  approaches.  Decoupled  approaches  are  able  to  quickly  find  plans  for  large  numbers  of  robot  but  struggle  when  high  levels  of  coordination  are  required.  Composite  approaches  are  capable  of  planning  highly  coordinated  actions  but  are  computationally  expensive.This  research  aims  to  develop  hybrid  planning  techniques  which  leverage  the  strengths  of  both  approaches  while  avoiding  their  drawbacks.  These  hybrid  approaches  adapt  the  planning  method  to  the  local  level  of  coordination  in  the  problem  by  starting  with  decoupled  techniques  and  then  deciding  when  to  employ  the  more  expensive  coordinated  composite  techniques.We  present  a  general  framework  for  multi-robot  planning  which  generalizes  decoupled,  composite,  and  hybrid  planning  approaches.  This  framework  utilizes  a  novel  hypergraph-  based  representation  for  modeling  this  formulation  of  the  planning  space.  We  develop  several  search  variants  for  this  representation  and  discuss  the  theoretical  properties  of  different  representation  and  search  design  choices.We  apply  this  framework  to  multi-robot  motion  planning  (MRMP),  multi-manipulator  rearrangement,  and  multi-robot  task  allocation  (MRTA),  presenting  new  methods  for  each  of  these  problem  domains.  In  the  MRMP  problem,  we  demonstrate  the  ability  to  adapt  the  local  level  of  coordination  to  the  problem,  finding  higher  quality  solutions  than  both  decoupled  and  composite  approaches,  often  in  less  time.  In  the  multi-manipulator  rearrangement  problem,  we  demonstrate  up  to  three  orders  of  magnitude  faster  planning  times  than  relevant  methods  while  successfully  planning  for  up  to  20  objects.  In  the  MRTA  problem,  we  successfully  plan  for  twice  as  many  tasks  as  comparable  methods  while  achieving  up  to  an  order  of  magnitude  improvement  in  planning  times.  Additionally,  we  lay  the  groundwork  for  the  parallelization  of  multi-robot  planning  and  present  a  new  parallel  multi-agent  pathfinding  algorithm.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■650  4▼aRobotics
■653    ▼aMulti-robot  systems
■653    ▼aTask  and  motion  planning
■653    ▼aHybrid  planning  techniques
■690    ▼a0984
■690    ▼a0800
■690    ▼a0771
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365879▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서