A Resource-Efficient Decentralized Sequential Planner for Spatiotemporal Wildfire Mitigation

📄 arXiv: 2407.19163v1 📥 PDF

作者: Josy John, Shridhar Velhal, Suresh Sundaram

分类: cs.RO, cs.MA

发布日期: 2024-07-27

💡 一句话要点

提出CREDS：一种资源高效的去中心化序列规划器，用于时空野火缓解

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 野火缓解 无人机集群 去中心化规划 资源分配 冲突解决

📋 核心要点

  1. 现有方法在多无人机野火管理中，难以应对非平稳环境下的空间聚集火灾、突发火灾和部分可观测性。
  2. CREDS通过将野火缓解分解为单无人机任务，并采用冲突感知的去中心化序列规划，实现资源高效的快速干预。
  3. 实验表明，CREDS在不同火灾与无人机比例下均表现出高成功率，尤其在异构无人机团队中优势明显。

📝 摘要（中文）

本文提出了一种冲突感知的资源高效去中心化序列规划器(CREDS)，用于利用多个异构无人机(UAV)进行早期野火缓解。多无人机野火管理场景是非平稳的，具有空间聚集的动态蔓延火灾、潜在的突发火灾，以及由于有限的无人机数量和传感范围导致的部分可观测性。CREDS的目标是检测并按顺序缓解所有正在蔓延的火灾，将其作为单无人机任务(SUT)，通过快速的无人机干预来最大限度地减少生物多样性损失，并通过避免复杂的多无人机协调来促进高效的资源利用。CREDS采用三阶段方法，首先使用搜索算法进行火灾检测，然后使用基于拍卖的资源高效去中心化序列规划器(REDS)生成局部轨迹，其中包含新颖的非平稳成本函数，即截止日期优先缓解成本(DPMC)。最后，一种冲突感知的共识算法解决冲突，以确定时空缓解的全局轨迹。CREDS在不同火灾与无人机比例下，对异构和同构无人机团队在部分和完全可观测条件下的性能评估表明，对于高达4的比例，成功率为100%，对于5的关键比例，成功率也很高，优于基线方法。异构无人机团队在处理SUT缓解的不同截止日期方面优于同构团队。CREDS表现出可扩展性和100%的收敛性，证明了其对潜在死锁分配的鲁棒性，从而提高了其相对于基线方法的成功率。

🔬 方法详解

问题定义：论文旨在解决多无人机协同进行野火早期缓解的问题。现有方法在处理动态蔓延、空间聚集的火灾，以及无人机数量和感知范围受限导致的部分可观测性时，存在资源利用率低、协调复杂等问题，难以快速有效地控制火势，从而导致生物多样性损失。

核心思路：论文的核心思路是将复杂的野火缓解任务分解为多个独立的单无人机任务(SUT)，每个无人机负责一个或多个火点的扑灭。通过去中心化的序列规划，避免复杂的全局协调，提高响应速度和资源利用率。同时，引入冲突感知机制，解决无人机之间的潜在冲突，确保任务顺利执行。

技术框架：CREDS包含三个主要阶段： 1. 火灾检测：使用搜索算法检测火灾位置。 2. 局部轨迹生成：采用基于拍卖的REDS规划器，为每个无人机生成局部轨迹，其中DPMC成本函数考虑了火灾蔓延速度和缓解截止日期。 3. 冲突解决：使用冲突感知的共识算法，解决无人机之间的潜在冲突，生成全局轨迹。

关键创新：论文的关键创新在于： 1. 非平稳成本函数DPMC：DPMC能够根据火灾的蔓延速度和缓解截止日期动态调整成本，从而优化资源分配，优先处理更紧急的火灾。 2. 冲突感知的去中心化序列规划：通过去中心化规划降低了计算复杂度，提高了响应速度，同时冲突感知机制保证了任务的顺利执行，避免了死锁。

关键设计： * DPMC成本函数：DPMC的计算公式需要根据具体的火灾蔓延模型和无人机性能进行调整，以实现最佳的资源分配。 * 拍卖机制：REDS规划器采用拍卖机制进行任务分配，需要合理设计拍卖规则，避免出现饿死现象。 * 冲突解决算法：冲突解决算法需要保证收敛性，避免陷入无限循环。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，CREDS在火灾与无人机比例高达4时，成功率达到100%，在比例为5的关键情况下，也表现出很高的成功率，优于基线方法。异构无人机团队在处理不同截止日期的SUT缓解任务时，表现优于同构团队。CREDS还表现出良好的可扩展性和100%的收敛性，证明了其对潜在死锁分配的鲁棒性。

🎯 应用场景

该研究成果可应用于森林防火、草原防火等领域，通过无人机集群对火灾进行早期预警和快速扑灭，减少火灾造成的经济损失和环境破坏。未来，该技术还可扩展到其他应急救援场景，如地震搜救、灾情评估等，具有广阔的应用前景。

📄 摘要（原文）

This paper proposes a Conflict-aware Resource-Efficient Decentralized Sequential planner (CREDS) for early wildfire mitigation using multiple heterogeneous Unmanned Aerial Vehicles (UAVs). Multi-UAV wildfire management scenarios are non-stationary, with spatially clustered dynamically spreading fires, potential pop-up fires, and partial observability due to limited UAV numbers and sensing range. The objective of CREDS is to detect and sequentially mitigate all growing fires as Single-UAV Tasks (SUT), minimizing biodiversity loss through rapid UAV intervention and promoting efficient resource utilization by avoiding complex multi-UAV coordination. CREDS employs a three-phased approach, beginning with fire detection using a search algorithm, followed by local trajectory generation using the auction-based Resource-Efficient Decentralized Sequential planner (REDS), incorporating the novel non-stationary cost function, the Deadline-Prioritized Mitigation Cost (DPMC). Finally, a conflict-aware consensus algorithm resolves conflicts to determine a global trajectory for spatiotemporal mitigation. The performance evaluation of the CREDS for partial and full observability conditions with both heterogeneous and homogeneous UAV teams for different fires-to-UAV ratios demonstrates a $100\%$ success rate for ratios up to $4$ and a high success rate for the critical ratio of $5$, outperforming baselines. Heterogeneous UAV teams outperform homogeneous teams in handling heterogeneous deadlines of SUT mitigation. CREDS exhibits scalability and $100\%$ convergence, demonstrating robustness against potential deadlock assignments, enhancing its success rate compared to the baseline approaches.