Search and Classification Using Multiple Autonomous Vehicles: Decision-Making and Sensor Management

جستجو و طبقه‌بندی با استفاده از وسایل نقلیه خودران چندگانه، مطالعه جامعی از استراتژی‌های تصمیم‌گیری برای جستجوی دامنه و طبقه‌بندی شی با استفاده از چندین وسیله نقلیه خودکار (MAV) تحت چارچوب‌های قطعی و احتمالی ارائه می‌کند. این به عنوان اولین بحث در مورد مشکل تخصیص موثر منابع با استفاده از MAV با محدودیت‌های سنجش عمل می‌کند، به عنوان مثال، برای مأموریت‌های جستجو و طبقه‌بندی در دامنه‌های بزرگ، یا زمانی که اشیاء بسیار بیشتری نسبت به وسایل نقلیه خودران موجود وجود دارد که می‌توان یافت و طبقه‌بندی کرد. . تحت چنین سناریوهایی، جستجو و طبقه بندی برای منابع سنجش محدود رقابت می کنند. این به این دلیل است که جستجو به تحرک وسیله نقلیه نیاز دارد در حالی که طبقه بندی وسایل نقلیه را در مجاورت هر شی پیدا شده محدود می کند. نویسندگان استراتژی‌های تصمیم‌گیری را برای انتخاب بین این وظایف رقیب و قوانین کنترل حرکت خودرو برای دستیابی به طرح مدیریت پیشنهادی توسعه می‌دهند. استراتژی‌های تصمیم‌گیری مبتنی بر لیاپانوف قطعی، مبتنی بر بیزی احتمالی و مبتنی بر ریسک و طرح‌های مدیریت حسگر به ترتیب ایجاد می‌شوند. مدل‌سازی و تحلیل شامل اثبات‌های ریاضی دقیق قضایای پیشنهادی و در نظر گرفتن عملی منابع سنجش محدود و هزینه‌های مشاهده است. بررسی مسئله کنترل پوشش به خوبی توسعه یافته نیز به عنوان پایه ای از الگوریتم های جستجو در استراتژی های تصمیم گیری کلی ارائه شده است. کاربردها در نمونه برداری زیر آب و آگاهی فضایی به تفصیل بررسی شده است. راهبردهای کنترلی پیشنهادی در هر فصل با نتایج شبیه‌سازی و تحلیل تشریحی دنبال می‌شوند.
محققان دانشگاهی و دانشجویان فارغ‌التحصیل از زمینه‌های مهندسی هوافضا، رباتیک، مکانیک یا برق علاقه‌مند به هماهنگی و کنترل چند عاملی، در تشخیص و تخمین یا فیلتراسیون Bayes این متن مورد علاقه را پیدا خواهند کرد.

Search and Classification Using Multiple Autonomous Vehicles provides a comprehensive study of decision-making strategies for domain search and object classification using multiple autonomous vehicles (MAV) under both deterministic and probabilistic frameworks. It serves as a first discussion of the problem of effective resource allocation using MAV with sensing limitations, i.e., for search and classification missions over large-scale domains, or when there are far more objects to be found and classified than there are autonomous vehicles available. Under such scenarios, search and classification compete for limited sensing resources. This is because search requires vehicle mobility while classification restricts the vehicles to the vicinity of any objects found. The authors develop decision-making strategies to choose between these competing tasks and vehicle-motion-control laws to achieve the proposed management scheme. Deterministic Lyapunov-based, probabilistic Bayesian-based, and risk-based decision-making strategies and sensor-management schemes are created in sequence. Modeling and analysis include rigorous mathematical proofs of the proposed theorems and the practical consideration of limited sensing resources and observation costs. A survey of the well-developed coverage control problem is also provided as a foundation of search algorithms within the overall decision-making strategies. Applications in both underwater sampling and space-situational awareness are investigated in detail. The control strategies proposed in each chapter are followed by illustrative simulation results and analysis.
Academic researchers and graduate students from aerospace, robotics, mechanical or electrical engineering backgrounds interested in multi-agent coordination and control, in detection and estimation or in Bayes filtration will find this text of interest.