8、大规模异构多机器人覆盖：高效任务分配与轨迹规划方案

大规模异构多机器人覆盖：高效任务分配与轨迹规划方案

在多机器人系统的应用中，如何在保证覆盖性能的同时降低部署成本，是一个关键的挑战。这涉及到团队形成问题，即如何为不同任务分配合适的机器人团队，以实现多个目标之间的最优权衡，也就是找到帕累托最优的分配方案。

整体思路与创新方法

为了解决这个多目标组合优化问题，同时保持计算效率，我们引入了一种新颖的生成式方法。该方法通过训练一个作为神经网络实现的分配生成器，学习任务与理想团队分配之间的相关性。具体来说，生成器学习从以子区域表示的任务到一组反映冲突目标之间权衡的帕累托最优分配的一对多映射。

与以往使用生成对抗网络（GAN）的工作不同，我们在训练前没有现成的数据集来提取任务到分配计划的映射。而且，从头收集这样的数据集计算量巨大，因为每个任务 - 分配对都需要解决一个组合优化问题。因此，我们的方法通过一种受多目标进化算法启发的新颖的进化引导数据创建过程，在训练过程中在线收集数据。这个过程会在当前生成的分配方案周围寻找新的有前景的分配方案，促使生成器提高输出质量。训练完成后，我们可以通过廉价的神经网络前向传播查询分配方案，从而在运行时实现高效的任务分配。

具体步骤

1. 领域分解
   • 输入与分区 ：该步骤将搜索域划分为较小的区域，以便为其分配代理。输入是一个标记的地形地图，每个像素值属于有限的地形类型列表，将其划分为 $k$ 个不重叠的子区域，$k$ 由用户确定。
   • 特征表示 ：每个子区域的地形特征分布可以表示为地形类型的分类