Preview

Мехатроника, автоматизация, управление

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Алгоритм пошагового поиска оптимальной стратегии группового поведения роботов

https://doi.org/10.17587/mau.21.689-695

Полный текст:

Аннотация

Рассматривается решение многокритериальной задачи, включающее распределение целей, планирование траекторий и оптимизацию расхода энергии, при реализации коллективного взаимодействия роботов. Для поиска оптимальной стратегии группового поведения предлагается использовать генетический алгоритм в соответствии с выбранными условиями (ограничениями) и критериями оптимальности. Существенную сложность при выборе способов управления группой автономных мобильных роботов представляет распределение задач между агентами, которые действуют в условиях параметрической и информационной неопределенностей, обладают "скромными" аппаратными, энергетическими и функциональными возможностями. Поэтому реализация многопараметрического поиска оптимального решения требует специализированного подхода, учитывающего весь комплекс динамических параметров, допускающего коррекцию целей в реальном масштабе времени и деградацию роботов вплоть до их выхода из строя. Основой предлагаемого нейрогенетического алгоритма является новый алгоритм расчета фитнесс-функции, в котором используются результаты нейросетевого метода планирования траекторий для группы роботов, а также информация о начальном заряде батарей роботов — агентов коллектива, энергопотреблении каждого агента и предварительная оценка энергозатрат, необходимых агенту на выполнение доступных ему отдельных заданий. Для обеспечения приемлемой производительности алгоритма и с учетом высокого динамизма внешнего окружения было принято решение ограничиться поиском решений только на один шаг (следующий рабочий такт коллектива). В работе приводятся результаты моделирования задачи поиска оптимальной стратегии поведения роботов, алгоритм расчета специализированной фитнесс-функции и варианты пошагового поиска глобальной стратегии распределения заданий, которые позволяют повысить эффективность использования коллектива роботов за счет гарантированного получения результат при минимизации суммарного времени выполнения всех поставленных заданий, а также увеличить время работы коллектива за счет корректного расхода энергии.

Об авторах

О. В. Даринцев
УГАТУ; Институт механики им. Р. Р. Мавлютова
Россия
д-р техн. наук, Уфа


А. Б. Мигранов
Институт механики им. Р. Р. Мавлютова
Россия
канд. техн. наук, Уфа


Список литературы

1. James Dwight McLurkin. Analysis and Implementation of Distributed Algorithms for Multi-Robot Systems: Dissertation, Massachusetts Institute of Technology, 2008, 166 p.

2. Zhu Hua. Control of the movement of a group of mobile robots in a system of the type "convoy": Dissertation for the degree of candidate of technical sciences, Zhu Hua, Moscow, 2018, 108 p. (in Russian).

3. Glasius R., Komoda A., Gielen S. Neural Network Dynamics for Path Planning and Obstacle Avoidance, Neural Networks, 1995, no. 8 (1), pp. 125—133.

4. Ziemke T. Adaptive behavior in autonomous agents, Presence, 2003, no. 7(6), pp. 564—587.

5. Kruglikov S. V., Kruglikov A. S. An a priori planning of joint motions for USV as a problem of guaranteed control/estimation, Applied Mechanics and Materials. TransTech Publications, Switzerland, 2014, vol. 494—495, pp. 1110—1113.

6. Darintsev O. V. The use of advanced and virtual reality technologies in the implementation of algorithms for managing a team of robots, Piece Intelligence, 2013, no. 3, pp. 479—487.

7. Renzaglia A. A., Martinelli A. Potential field based approach for coordinate exploration with a multi-robot team, 8th IEEE International Workshop on Safety, Security and Rescue Robotics (SSRR), doi: 10.1109/SSRR.2010.5981557.

8. Renzaglia A. Cognitive-based adaptive control for cooperative multi-robot coverage, IEEE International Conference on Robotics and Intelligent System (IROS), 2010, doi: 10.1109/IROS.2010.5649249.

9. Darintsev O. V., Migranov A. B. Distributed control system of mobile robots groups, Vestnik USATU, 2017, vol. 21, no. 2 (76), pp. 88—94 (in Russian).

10. Gary M., Johnson D. Computers and inaccessible tasks, Moscow, Mir, 1982, 416 p. (in Russian).

11. Ni M., Yu Z., Ma F., Wu X. A Lagrange Relaxation Method for Solving Weapon-Target Assignment Problem, Hindawi Publishing Corporation Mathematical Problems in Engineering, 2011, vol. 1, pp. 1—10.

12. Liu B., Qin Z., Wang R., Gao Y-B., Shao L-P. A Hybrid Heuristic Ant Colony System for Coordinated Multi-Target Assignment, Information Technology Journal, 2009, vol. 8, no. 2, pp. 156—164.

13. Darintsev O. V., Migranov A. B. Applications of approximate and intelligent trajectory planning methods for groups of mobile robots, Scientific Review. Technical science, 2015, no. 1, pp. 150—151, available at: https://science-engineering.ru/ru/article/view?id=973 (date of access: 13/08/2020) (in Russian).

14. Darintsev O. V., Migranov A. B. Comparative analysis of intelligent planning methods, Proceedings of the R. R. Mavlyutov Institute of mechanics of the Ufa scientific center of the Russian Academy of Sciences, 2012, vol. 9, no. 2, pp. 53—58 (in Russian).

15. Wilkins J. 3 technologies for energy efficient robots, EU Automation. 24 august 2017, available at: https://www.automation. com/automation-news/article/3-technologies-for-energy-efficientrobots (access date: 03/05/2019).

16. Mazumdar A. Parallel elastic elements improve energy efficiency on the STEPPR Bipedal walking robot, IEEE/ASME Transactions on Mechatronics, 2016, no. SAND2016—11799J, pp. 1—11.

17. Liu W., Winfield A. F., Sa J., Chen J, Dou L. Towards energy optimization: emergent task allocation in a swarm of foraging robots, Adaptive behavior, 2007, vol. 15, no. 3. pp. 289—305.

18. Yan Z., Fabresse L., Laval J., Bouraqadi N. Team size optimization for multi-robot exploration, 4th international conference on simulation, modeling and programming for autonomous robots (SIMPAR 2014), Springer, 2014, pp. 554—565.

19. Yan Z., Fabresse L., Laval J., Bouraqadi N. Building a ROS-based testbed for realistic multi — robot simulation: taking the exploration as an example, Robotics, 2017, vol. 6, iss. 21. pp. 1—21.

20. Gong D., Yan J., Zuo G. A review of gait optimization based on evolutionary computation, Applied computational intelligence and soft computing, 2010, Article ID 413179, pp. 1—12.

21. Darintsev O. V. and Migranov A. B. The Use of Genetic Algorithms for Distribution of Tasks in Groups of Mobile Robots with Minimization of Energy Consumption, 2019 International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon), Vladivostok, Russia, 2019, pp. 1—6, doi:10.1109/FarEastCon.2019.8934927.

22. Darintsev O., Migranov A. Task Distribution Module for a Team of Robots Based on Genetic Algorithms: Synthesis Methodology and Testing, 2019 XXI International Conference Complex Systems: Control and Modeling Problems (CSCMP), Samara, Russia, 2019, pp. 296—300, doi: 10.1109/CSCMP45713.2019.8976649.

23. Darintsev O. V., Migranov A. B., Yudintsev B. S. Neural network algorithm for trajectory planning for a group of mobile robots, Artificial Intelligence, 2011, vol. 1, pp. 154—160 (in Russian).


Для цитирования:


Даринцев О.В., Мигранов А.Б. Алгоритм пошагового поиска оптимальной стратегии группового поведения роботов. Мехатроника, автоматизация, управление. 2020;21(12):689-695. https://doi.org/10.17587/mau.21.689-695

For citation:


Darintsev O.V., Migranov A.B. A Step-by-Step Algorithm for Finding the Optimal Strategy for the Behavior of a Group of Robots. Mekhatronika, Avtomatizatsiya, Upravlenie. 2020;21(12):689-695. (In Russ.) https://doi.org/10.17587/mau.21.689-695

Просмотров: 118


ISSN 1684-6427 (Print)
ISSN 2619-1253 (Online)