Как роботы работают в команде без человека
Чем больше становится роботов, тем острее стоит проблема их координации между собой без участия человека, но на пользу человеку
Для работы в команде роботы должны уметь координировать свои усилия, например, выполнять различные подзадачи, следить за разными частями целевой среды и так далее. Поэтому в последние несколько лет ученые разрабатывали вычислительные модели, предназначенные для координации действий и поведения различных роботов в команде.
Исследователи из Технологического университета Лулеа в Швеции представили новый метод координации действий нескольких роботов-агентов. Он основан на «аукционе с деревьями поведения» — математической модели, часто используемой при планировании и выполнении заданий. Этот метод позволяет эффективно организовать действия нескольких роботов, работающих над достижением общей цели, особенно когда они выполняют задачи step by step.
«Мы обнаружили потребность в гибкой и реактивной архитектуре распределения задач для координации многоагентных систем», — говорит соавтор работы Никлас Дальквист. — «Я уже работал с деревьями поведения, поэтому подумал, что их объединение со схемой распределения задач может привести к созданию гибкой структуры, которая позволит легко интегрировать и новые типы задач и различных типы агентов».
Архитектура, разработанная Дальквистом и его коллегами, основана на «рыночном подходе», который лежит в основе функционирования аукционов. По сути, отдельные роботы-агенты в команде оценивают стоимость, связанную с выполнением различных подзадач, которые необходимо выполнить, размещая «ставки» через центральную систему аукциона. Впоследствии эта аукционная система анализирует эти «заявки» и назначает оптимальные задания каждому из агентов. Например, если один робот находится ближе к объекту, чем другой, цена пути для первого будет меньше. И он выиграет аукцион.
Архитектура многоагентной координации, предложенная группой исследователей, имеет заметные преимущества перед другими моделями, которые обычно опираются только на теорию аукционов или распределение команд. Главное этот подход применим к командам роботов-агентов с разными возможностями или к миссиям, которые содержат принципиально разные подзадачи.
Дальквист и его коллеги оценили свою архитектуру в серии экспериментов в своей лаборатории, используя несколько роботов TurtleBot3. Результаты оказались весьма многообещающими: роботы коллективно решали простые задачи и минимизировали общую стоимость решения.
В будущем эта новая архитектура может быть применена и протестирована в более сложных сценариях с участием разных типов роботов и широким спектром задач.
«Наши будущие работы будут сосредоточены на включении новых типов задач и введении разнородных агентов, таких как БПЛА, и более сложной связи между распределением задач и деревьями поведения», — добавил Дальквист. — «Мы также работаем над тем, чтобы продемонстрировать осуществимость проекта в масштабных экспериментах и более реалистичных условиях».