.png){kind=icon}
返回
Multirobot path-aware global optimization
.png){kind=icon}
OA
AI
DOI：10.1016/j.conengprac.2025.106495.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于“分治最优”的方法——Voronoi Simultaneous Optimistic Optimization (VSOO)，用于多机器人全局优化一个Lipschitz连续的物理目标（例如物质数量、垃圾密度、信号功率），其Lipschitz常数未知。在该问题中，一个移动机器人团队必须自主导航，以尽可能快的速度到达其工作区域内目标函数的所有全局最优解。该目标函数可能存在多个局部和全局最优解，初始时未知，且只能在机器人位置在线评估。VSOO利用由机器人收集的样本驱动的Voronoi分区，这使得它们能够逐步细化搜索空间，以同时搜索最优解。我们保证对于任何函数都能实现处处稠密和全局收敛，并分析了一些代表性函数形状的收敛率。在已建立的基准测试函数类别上进行的广泛数值模拟表明，与一系列代表性的源/极值寻找技术相比（这些技术与VSOO类似，都是为移动机器人设计的全局优化器），VSOO能更快地接近所有全局最优解。在执行时间方面，VSOO与这些基线方法具有竞争力。最后，我们在真实机器人实验中验证了VSOO，其中TurtleBot3机器人成功搜索室内最强的天线信号。
Keyword:
Multirobot systems
Divide-the-best global optimization
Source seeking
Convergence analysis
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
5.7K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
Mapping of marine litter on the seafloor using WASSP S3 multibeam echo sounder and Chasing M2 ROV
OAAI
OAAI分享收藏分享收藏分享收藏Numerical methods using two different approximations of space-filling curves for black-box global optimization基于两种不同空间填充曲线近似方法的黑箱全局优化数值算法
PREAI
分享收藏
查看更多内容