novtexmechМехатроника, автоматизация, управлениеMekhatronika, Avtomatizatsiya, Upravlenie1684-64272619-1253Commercial Publisher «New Technologies»10.17587/mau.22.94-103novtexmech-937Research ArticleРОБОТЫ, МЕХАТРОНИКА И РОБОТОТЕХНИЧЕСКИЕ СИСТЕМЫROBOT, MECHATRONICS AND ROBOTIC SYSTEMSОб одном подходе к распознаванию сцен группой роботов на основе локального взаимодействияAn Approach to Scene Recognition Based on the Local Interaction of a Group of RobotsМосковскийА. Б.MoskovskyA. D.

инженер-исследователь

г. Москва

Engineer-Researcher

Moscow, 123182

moscowskyad@gmail.comБурговЕ. В.BurgovE. V.

инженер-исследователь

г. Москва

Moscow, 123182

burgov.ev@yandex.ruОвсянниковаЕ. Е.OvsyannikovaE. E.

инженер-исследователь

г. Москва

Moscow, 123182

eeovsyan@gmail.comНациональный исследовательский центр "Курчатовский институт"РоссияNational Research Center "Kurchatov Institute"Russian Federation20210202202122294103Copyright © Commercial Publisher «New Technologies», 20212021Commercial Publisher «New Technologies»Commercial Publisher «New Technologies»https://mech.novtex.ru/jour/about/submissions#copyrightNoticehttps://mech.novtex.ru/jour/article/view/937

Рассматривается подход к коллективному распознаванию группой аниматов — модельными агентами с некоторой степенью биоинспирированности. Биологической основой для формирования группы является семья муравьев. Смоделированы гнездо, часть семьи, занимающаяся добычей пищи (фуражировкой), кормовые объекты и вражеские особи. Важным биологически инспирированным механизмом является кинопсис — " язык поз" . С его помощью муравьи некоторых видов передают друг другу сигналы (угроза, добыча и т.д.).

Группа аниматов решает задачу сбора пищи и противодействия вражеским особям. Каждый анимат выбирает действие на основе наблюдаемой им сцены. Первый предложенный алгоритм описывает механизм зрительной памяти, который позволяет аниматору запоминать увиденные объекты в течение некоторого времени. Во втором алгоритме реализуется групповое распознавание объектов. С помощью средств локальной связи аниматы способны обмениваться информацией о наблюдаемой ими сцене, представленной в виде графа. Анимат, получая такую информацию от соседей, способен расширить свою картину мира и более корректно выбирать свое поведение на основе распознанной ситуации, чем если бы располагал только собственными данными. Предложенные алгоритмы были проверены на тестовой задаче в разработанной среде симуляции и показали, что их добавление способствует увеличению эффективности группы.

Эффективность группы определялась по количеству пищи, собранному за отведенный период времени. Аниматы, использовавшие зрительную память, показали повышение эффективности по всем исследуемым параметрам. Зависимость не монотонна: существует определенное значение, при котором достигается максимальная эффективность действий группы. Использование алгоритма группового распознавания также показало повышение эффективности по сравнению с базовой конфигурацией. Также проводилось исследование дистанции локального взаимодействия аниматов. Комбинация обоих алгоритмов также дает интересные результаты.

The paper considers a group of animates (bio-inspired abstract models or technical devices) that use the visual analyzer described by the authors earlier. The visual analyzer recognizes the scene observed by the animat, determines the class of the situation and selects the corresponding behavior. The analyzer is based on the" language of poses" , borrowed from some species of ants, which allows them to visually inform other individuals of their condition. The first proposed algorithm describes a visual memory mechanism that allows an animat to remember seen objects for some time and select its behavior in a more stable way compared to a basic visual analyzer. The second algorithm describes a group recognition approach. Robots are able to exchange information about the scene they are observing presented in the form of a graph using local communication. The robot, receiving such information from its neighbors, is able to expand its picture of the world and more correctly choose its behavior based on the recognized situation than if it only had its own data. A demonstration task was set to test the efficiency, approximately simulating a colony of ants that gather food in a certain area. Colony, nest, food, and enemy individuals are modeled in the developed simulation environment. Group efficiency was defined as the amount of food collected over the allotted time period. Animates using the visual memory algorithm showed an increase in efficiency for all the studied memory parameters. Moreover, the dependence is not monotonic, and there is a certain value at which maximum efficiency is achieved. The use of the group recognition algorithm also showed an increase in efficiency compared to the basic visual analyzer. The experiments were carried out for different distances of local interaction. As with memory, there is a value of interaction distance at which the maximum efficiency is achieved. The combination of both algorithms also has interesting results. The experiments showed that the smaller the memory of the robot, the greater the increase in efficiency from using the collective recognition algorithm.

коллективное распознаваниегрупповая робототехникааниматзрительный анализаторанализ сценлокальная связьcollective recognitiona group of robotsanimatvisual analyzerscene analysislocal communicationРабота выполнена при частичном финансировании грантов РФФИ № 16-29-04412 офи_м (Обзор существующих решений, Постановка задачи, Визуальная память анимата, Коллективное распознавание, Эксперименты) и РФФИ № 17-29-07083 офи_м (Моделируемые объекты и механизмы, Описание демонстрационной задачи).This work was supported, in part, by the Russian Foundation for Basic Research, grant ofi-m 16-29-04412 (which funded sections overview of existing solutions, problem statement, visual animat memory, collective recognition, experiments), and by the Russian Foundation for Basic Research, grant ofi-m 17-29-07083 (which funded sections simulated objects and mechanisms, description of the demonstration task).ReferencesSankaranarayanan A. C., Veeraraghavan A., Chellappa R. Object detection, tracking and recognition for multiple smart cameras // Proc. IEEE, 2008. Vol. 96, N. 10. P. 1606—1624.Sankaranarayanan A. C., Veeraraghavan A., Chellappa R. Object detection, tracking and recognition for multiple smart cameras, Proc. IEEE, 2008, vol. 96, no. 10, pp. 1606—1624.Zervos M. Multi-Camera Face Detection and Recognition Applied to People Tracking // Sch. Comput. Commun. Sci. Ec. Polytech. Fédérale Lausanne. 2013. January.Zervos M. Multi-Camera Face Detection and Recognition Applied to People Tracking, Sch. Comput. Commun. Sci. Ec. Polytech. Fédérale Lausanne, 2013, January.Yamashita A. et al. Human tracking with multiple cameras based on face detection and mean shift // 2011 IEEE Int. Conf. Robot. Biomimetics, ROBIO 2011. 2011. P. 1664—1671.Yamashita A. et al. Human tracking with multiple cameras based on face detection and mean shift, 2011 IEEE Int. Conf. Robot. Biomimetics, ROBIO 2011, 2011, pp. 1664—1671.Harguess J., Hu C., Aggarwal J. K. Fusing face recognition from multiple cameras // 2009 Work. Appl. Comput. Vision, WACV 2009. 2009.Harguess J., Hu C., Aggarwal J. K. Fusing face recognition from multiple cameras, 2009 Work. Appl. Comput. Vision, WACV 2009, 2009.An L., Kafai M., Bhanu B. Face recognition in multicamera surveillance videos using dynamic Bayesian network // 2012 6th Int. Conf. Distrib. Smart Cameras, ICDSC 2012. 2012.An L., Kafai M., Bhanu B. Face recognition in multicamera surveillance videos using dynamic Bayesian network, 2012 6th Int. Conf. Distrib. Smart Cameras, ICDSC 2012, 2012.Карпов В. Э., Карпова И. П., Кулинич А. А. Социальные сообщества роботов. М.: УРСС, 2019. 352 p.Karpov V. E., Karpova I. P., Kulinich A. A. Social community robots, Moscow, URSS, 2019, 352 p.SwarmRobot. Официальный сайт проекта SwarmRobot [Electronic resource]. 2016. URL: http://www.swarm-bots.org (дата обращения: 03.03.2020).SwarmRobot. The official website of the project SwarmRobot, 2016, available at: http://www.swarm-bots.org (accessed: 03.03.2020).Kernbach S. Handbook Of Collective Robotics // Handbook of Collective Robotics — Fundamentals and Challenges. 2013. Vol. 2, № 2000. P. 978—981.Kernbach S. Handbook Of Collective Robotics, Handbook of Collective Robotics — Fundamentals and Challenges, 2013, vol. 2, no. 2000, pp. 978—981.Giusti A. et al. Cooperative sensing and recognition by a swarm of mobile robots // IEEE Int. Conf. Intell. Robot. Syst. 2012. P. 551—558.Giusti A. et al. Cooperative sensing and recognition by a swarm of mobile robots, IEEE Int. Conf. Intell. Robot. Syst., 2012, pp. 551—558.Stegagno P., Massidda C., Bülthoff H. H. Object Recognition in Swarm Systems: Preliminary Results // Workshop on the Centrality of Decentralization in Multi-Robot Systems: Holy Grail or False Idol? (IEEE ICRA 2014). 2014. P. 1—3.Stegagno P., Massidda C., Bülthoff H. H. Object Recognition in Swarm Systems: Preliminary Results, Workshop on the Centrality of Decentralization in Multi-Robot Systems: Holy Grail or False Idol? (IEEE ICRA 2014), 2014, pp. 1—3.Maghami M., Koval M. C., Georgiopoulos M., Rubinoff A. E. A Social Network Analysis for Automatic Target Recognition in Swarm Robotics // International Conference on Robotics and Automation 2010 (ICRA 2010). 2010.Maghami M., Koval M. C., Georgiopoulos M., Rubinoff A. E. A Social Network Analysis for Automatic Target Recognition in Swarm Robotics, International Conference on Robotics and Automation 2010 (ICRA 2010), 2010.Московский А. Д., Бургов Е. В., Овсянникова Е. Е. Зрительный анализатор анимата как основа семантики сенсорной системы робота // Мехатроника, автоматизация, управление. 2018. Vol. 5, N. 19. P. 336—345.Moskovsky A. D., Burgov E. V., Ovsyannikova E. E. Visual analyzer of the animat as a semantic basis of robot sensoric system, Mekhatronika, Avtomatizatsiya, Upravlenie, 2018, vol. 19, no. 5, pp. 336—345 (in Russian).Meyer J. A., Wilson S. Simulation of Adaptive Behavior: from Animals to Animats. Cambridge, MA: MIT Press, 1991.Meyer J. A., Wilson S. Simulation of Adaptive Behavior: from Animals to Animats, Cambridge, MA, MIT Press, 1991.Захаров А. А. Муравьи лесных сообществ, их жизнь и роль в лесу. М.: Товарищество научных изданий КМК, 2015. 404 p.Zaharov A. A. Ants of forest communities, their life and role in the forest, Мoscow, Tovarishhestvo nauchnyh izdanij KMK, 2015, 404 p. (in Russian).Forel A. The social world of ants. Bradford, 1928.Forel A. The social world of ants, Bradford, 1928.Topoff H. An ant nest hat facilitates removing at all stages at development // Ann. Entomol. Soc. Amer. 1975. Vol. 68, N. 1. P. 182—183.Topoff H. An ant nest hat facilitates removing at all stages at development, Ann. Entomol. Soc. Amer., 1975, vol. 68, no. 1, pp. 182—183.Резникова Ж. И. Межвидовые взаимоотношения у муравьев. Новосибирск: Наука, 1983. 208 p.Reznikiva J. I. Interspecific relationships in ants, Novosibirsk, Nauka, 1983, 208 p. (in Russian).Бургов Е. В. Многовидовая ассоциация муравейников: переход из неполной в полную ассоциацию // Зоологический журнал. 2015. Vol. 94, № 10. P. 1200—1210.Burgov E. V. Multi-species association of anthills: transition from incomplete to full association, Zoologicheskij zhurnal, 2015, vol. 94, no. 10, pp. 1200—1210 (in Russian)..Cammaerts M.-C. Colour vision in the ant Myrmica sabuleti MEINERT, 1861 (Hymenoptera: Formicidae) // Myrmecological News. Österreichische Gesellschaft f ür Entomofaunistik, 2007. Vol. 10. P. 41—50.Cammaerts M.-C. Colour vision in the ant Myrmica sabuleti MEINERT, 1861 (Hymenoptera: Formicidae), Myrmecological News. Österreichische Gesellschaft f ür Entomofaunistik, 2007, vol. 10, pp. 41—50.Cammaerts M.-C. et al. Use of olfactory and visual cues for orientation by the ant Myrmica ruginodis (Hymenoptera: Formicidae) // Myrmecological News. Österreichische Gesellschaft f ür Entomofaunistik, 2012. Vol. 16. P. 45—55.Cammaerts M.-C. et al. Use of olfactory and visual cues for orientation by the ant Myrmica ruginodis (Hymenoptera: Formicidae), Myrmecological News. Österreichische Gesellschaft f ür Entomofaunistik, 2012, vol. 16, pp. 45—55.Hölldobler B. Multimodal signals in ant communication // J. Comp. Physiol. A. 1999. Vol. 184. P. 129—141.Hölldobler B. Multimodal signals in ant communication, J. Comp. Physiol. A., 1999, vol. 184, pp. 129—141.Федосеева Е. Б. Технологический подход к описанию групповой фуражировки муравьев Myrmica rubra // Зоол. журн. 2015. Vol. 94, N. 10. P. 1163—1178.Fedoseeva E. B. A technological approach to the description of group foraging of ants Myrmica rubra, Zool. Journal, 2015, vol. 94, no. 10, pp. 1163—1178 (in Russian).Длусский Г. М. Муравьи рода Формика. М.: Наука, 1967. 233 p.Dlusskij G. M. Formica ants, Moscow, Nauka, 1967, 233 p. (in Russian).Московский А. Д. Графы как инструмент для решения задачи распознавания сцен // Четвертый Всероссийский научно-практический семинар "Беспилотные транспортные средства с элементами искусственного интеллекта" (БТС-ИИ-2017, 5—6 октября 2017 г., г. Казань, Республика Татарстан, Россия) тр. семинара. 2017. P. 56—64.Moskovsky A. D. Graphs as a tool for solving the problem of scene recognition, Fourth All-Russian Scientific and Practical Seminar " Unmanned vehicles with elements of artificial intelligence" (UBS-AI-2017), workshop proceedings, 2017, pp. 56—64 (in Russian).Карпов В. Э. Об одном механизме реконструкции сцен // VI-ая Международная научно-практическая конференция "Интегрированные модели и мягкие вычисления в искусственном интеллекте", Сб. науч. трудов. В 2-т., Т.1, М. Физматлит. 2011. P. 407—415.Karpov V. E. About one scene reconstruction mechanism, VI-th International Scientific and Practical Conference "Integrated Models and Soft Computing in Artificial Intelligence" , collection of scientific papers, vol. 1, Мoscow, Fizmatlit, 2011, pp. 407—415 (in Russian).

The authors declare that there are no conflicts of interest present.