Об одном подходе к распознаванию сцен группой роботов на основе локального взаимодействия

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.

1. Sankaranarayanan 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.

2. Zervos M. Multi-Camera Face Detection and Recognition Applied to People Tracking // Sch. Comput. Commun. Sci. Ec. Polytech. Fédérale Lausanne. 2013. January.

3. 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.

4. Harguess J., Hu C., Aggarwal J. K. Fusing face recognition from multiple cameras // 2009 Work. Appl. Comput. Vision, WACV 2009. 2009.

5. 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.

6. Карпов В. Э., Карпова И. П., Кулинич А. А. Социальные сообщества роботов. М.: УРСС, 2019. 352 p.

7. SwarmRobot. Официальный сайт проекта SwarmRobot [Electronic resource]. 2016. URL: http://www.swarm-bots.org (дата обращения: 03.03.2020).

8. Kernbach S. Handbook Of Collective Robotics // Handbook of Collective Robotics — Fundamentals and Challenges. 2013. Vol. 2, № 2000. P. 978—981.

9. Giusti A. et al. Cooperative sensing and recognition by a swarm of mobile robots // IEEE Int. Conf. Intell. Robot. Syst. 2012. P. 551—558.

10. 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.

11. 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.

12. 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.

13. Meyer J. A., Wilson S. Simulation of Adaptive Behavior: from Animals to Animats. Cambridge, MA: MIT Press, 1991.

14. Захаров А. А. Муравьи лесных сообществ, их жизнь и роль в лесу. М.: Товарищество научных изданий КМК, 2015. 404 p.

15. Forel A. The social world of ants. Bradford, 1928.

16. 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.

17. Резникова Ж. И. Межвидовые взаимоотношения у муравьев. Новосибирск: Наука, 1983. 208 p.

18. Бургов Е. В. Многовидовая ассоциация муравейников: переход из неполной в полную ассоциацию // Зоологический журнал. 2015. Vol. 94, № 10. P. 1200—1210.

19. 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.

20. 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.

21. Hölldobler B. Multimodal signals in ant communication // J. Comp. Physiol. A. 1999. Vol. 184. P. 129—141.

22. Федосеева Е. Б. Технологический подход к описанию групповой фуражировки муравьев Myrmica rubra // Зоол. журн. 2015. Vol. 94, N. 10. P. 1163—1178.

23. Длусский Г. М. Муравьи рода Формика. М.: Наука, 1967. 233 p.

24. 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.

25. 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.