МЕТОД ОЦЕНКИ СЛОЖНОСТИ СРЕДЫ ФУНКЦИОНИРОВАНИЯ РОЕВЫХ РОБОТОТЕХНИЧЕСКИХ СИСТЕМ

​A METHOD FOR ASSESSING THE COMPLEXITY OF THE SWARM ROBOTICS SYSTEMS FUNCTIONING ENVIRONMENT

Vladimir Antonov

Research Intern, FSAEI HE North-Caucasus Federal University,

Russia, Stavropol

Sergey Ryabtsev

Senior Lecturer, FSAEI HE North-Caucasus Federal University,

Russia, Stavropol

АННОТАЦИЯ

Интенсивное развитие групповой робототехники актуализирует вопросы оценки эффективности агентов мультробозированных систем. В большинстве работ проблемы распределения задач и достижений консенсуса исследуются на случайно сгенерированных сценах и не рассматриваются сцены с фиксированным распределением альтернатив. Одна из проблем оценки эффективности заключается в неправильной оценке сложности среды. Наиболее часто в исследованиях подход к оценке состоит в определении процентного отношения альтернатив. Однако, на практике следует учитывать множество факторов для дальнейшего оценивания эффективности системы. Цель работы - повысить точность оценки сложности среды выполнения целевой задачи мультироботизированной системы. Предлагаемый метод проводит оценку на основе применения ИНС по комплексному показателю. Экспериментальные исследования демонстрируют более корректное определение сложности среды.

ABSTRACT

The intensive development of group robotics actualises the issues of performance evaluation of agents in multrobot systems. Most works study the problems of task allocation and consensus achievement on randomly generated scenes and do not consider scenes with a fixed distribution of alternatives. One of the problems in performance evaluation is the incorrect estimation of the complexity of the environment. The most common approach to evaluation in research is to determine the the percentage of alternatives. However, in practice, there are many factors to further evaluate the effectiveness of the system. The aim of the work is to improve the accuracy of estimating the complexity of the target task execution environment of a of a multi-robot system. The proposed method performs the estimation based on ANN application on the basis of a complex index. Experimental studies demonstrate more correct determination of the complexity of the environment.

Ключевые слова: мультироботизированные системы, роевая робототехника, групповое управление, распределение задач, разделение труда, задача о назначениях.

Keywords: multi-robot systems, swarm robotics, group control, task allocation, division of labour, assignment problem.

В современном мире активно развиваются области применения мультироботизированных систем (МРС), одним из перспективных видов которых являются роевые робототехнические системы (РРТС). Области применения – это задачи, требующие покрытия больших территорий и одновременного выполнения простых операций. МРС используются в военных целях, для поиска и исследований в опасных средах, а также для многих других гражданских целей [1]. Основными преимуществами использования РРТС являются высокая отказоустойчивость, относительная дешевизна отдельного агента-робота и самоорганизующееся поведение [4].

Положительный эффект от применения МРС обусловлен особыми свойствами, достигаемыми в результате коллективного поведения, например, коллективным принятием решений и распределение задач. В качестве проблем распределения задач и принятия решения рассматриваются такие сценарии как коллективное восприятие и распознавание, движение группы агентов МРС, совместные манипуляции объектами и многое другое [2].

В большинстве работ исследующими проблемы РРТС изучаются на случайно сгенерированных сценах и оценивают сложность задач как количественное соотношение вариантов выбора агентами альтернатив. Например в работах [3] оценка сложности сцены осуществляется путем процентного соотношения клеток на поле, при бинарном выборе:

,

где b, w – количество измерений черного и белого цвета соответственно, – оценка робота о распространенности признака в окружающей среде. Таким образом, значение Q выражает соотношения цветов 0 до1. Чем ближе соотношение цветов к друг другу, тем сложнее сцена. В работе [4] используется подобная метрика расширенная на большее количество цветов. В последнее время так часто рассматривают подход на основании энтропии [5]. Однако, не рассматриваются сцены с фиксированным распределением альтернатив, например, «линии». В этом случае сцена может быть разделена цветами пополам или иметь большое количество линий. Другой пример фиксированного распределения – равномерное случайное распределение, например, «шашечная доска». При этом на сценах с близким к фиксированному распределению, при одинаковой сложность наблюдается значительное увеличение времени выполнения задач агентами РРТС.

Рисунок 1. Примеры распределения альтернатив: А – линии, B – шахматная доска, С – не фиксированное распределение

Под сложными сценами понимаются сцены с фиксированным распределением альтернатив, например, «линии». В этом случае сцена может быть разделена цветами пополам или иметь, большое количество линий. Другой пример фиксированного распределения – равномерное случайное распределение, например, «шахматная доска» с пропорцией цветов 20:20:20:20:20:20.

Предполагается, что равномерное фиксированное распределение затруднит применение методов коллективного поведения, поскольку роботам требуется значительно большее время для принятия решений на таких сценах, например, роботы могут посылать те же значения датчиков, и их могут счесть за поломанных.

Гипотеза заключается в том, что на сложных сценах с распределением альтернатив, близким к фиксированному, оценка сложности среды может не отображать фактическую сложность выполнения задачи для РРТС.

В настоящем исследовании рассматривалась проблема достижения консенсуса по наиболее общей характеристике среды (сцены). Альтернативами служат цвета в которую окрашена сцена: от двух до пяти.

В проведенных исследованиях целью РРТС было принятие коллективного решения и выбор одного из нескольких действий на основе данных об окружающей среде. (голосование за цвет i).

Предлагаемый метод проводит оценку на основе применения ИНС по комплексному показателю, базирующемуся на следующих метриках: масштаб исследуемой внешней среды; количество признаков внешней среды; процентное соотношение цветов, количество времени, требующееся одному роботу для правильного решения, вероятность правильного решения, время, затраченное на решение.

Для оценки предлагаемого метода было произведено сравнение точности определения сложности сцены и эффективности полученном с помощью предлагаемого метода, используемого как модуль прошивки распределенной системы управления РРТС (РСУ РРТС) и классической оценки на основе формулы [7,8]:

,

где  –номер альтернативы,  – количество альтернатив,  – процентное соотношение -ой альтернативы на сцене,  – процентное соотношение наиболее распространённой альтернативы на сцене, а  – сумма процентных соотношений всех альтернатив без .

Схематическое представление предлагаемого метода показано на рисунке 2.

Рисунок 2. Схематическое представление метода оценки и расчета показателей эффективности функционирования роевых робототехнических систем

Эксперименты проводились с использованием среды моделирования ARGoS и метода консенсуса [6]. Мерой определения сложности задачи использует соотношение между самым распространенным цветом и другими плитками в сцене.

В начале эксперимента генерируется случайная арена с случайным расположением роботов на ней. Задача роботов в ходе эксперимента - прийти к общему мнению относительно преобладания количества клеток одного цвета

Результат сравнения приведен на рисунке 3. Оценивалась полученная сложность путем предлагаемого решения и метода-аналога [7], по отношению к экспертной оценке точности на основании фактического падения эффективности МРС (со значением 1).

Рисунок 3. Сравнение точности оценки с аналогом

Полученные результаты показывают, что точность оценки предлагаемого решения в среднем выше аналога на 12,37 %. Данный подход позволяет точнее оценить сложность задачи мониторинга в средах с дестабилизирующими факторами и фиксированном распределением альтернатив.

Чтобы оценить точность, оценивалось фактическое падение производительности РРТС по показателям: вероятность принятия оптимального решения, рассчитываемая как доля успешных запусков и количество секунд, которое требуется для формирования мнения.

Предлагаемый метод проводит оценку на основе применения ИНС по комплексному показателю, базирующемуся на следующих метриках: масштаб сцены; вероятность правильного решения; количество времени; процентное соотношение альтернатив, требующееся одному роботу для правильного решения; количество признаков внешней среды; вероятность правильного решения. В большинстве эффективность МРС исследуется на случайно сгенерированных сценах и не рассматриваются сцены с фиксированным распределением альтернатив, например, «линии». В этом случае сцена может быть разделена цветами пополам или иметь большое количество линий. Другой пример фиксированного распределения – равномерное случайное распределение, например, «шахматная доска». На основе проведённых экспериментов можно сделать вывод что точность оценки предлагаемого решения в среднем выше аналога на 12,37 %. Данный подход позволяет точнее оценить сложность задачи мониторинга в средах с дестабилизирующими факторами и фиксированном распределением альтернатив.

Работа выполнена при финансовой поддержке гранта Президента Российской Федерации для молодых ученых – кандидатов наук (№ МК-300.2022.4 Разработка методов и алгоритмов для системы управления роем БПЛА при выполнении гетерогенных задач).

Список литературы:

1. Dorigo M., Theraulaz G., Trianni V. Reflections on the future of swarm robotics // Science Robotics. American Association for the Advancement of Science, 2020. Vol. 5, № 49.
2. Zakiev A., Tsoy T., Magid E. Swarm Robotics: Remarks on Terminology and Classification // Lecture notes in computer science. 2018. P. 291–300.
3. Hamann H. Introduction to Swarm Robotics // Swarm Robotics: A Formal Approach. Cham: Springer International Publishing, 2018. P. 1–32.
4. Strobel, V., Ferrer, E.C., Dorigo M. Managing byzantine robots via blockchain technology in a swarm robotics collective decision making scenario: Robotics trackрезультаты поиска документов // Proc. Int. Jt. Conf. Auton. Agents Multiagent Syst. AAMAS. 2018. Vol. 1. P. 541–549.
5. Рябцев С. С. Метод выявления вредоносных роботов на основе данных процесса коллективного принятия решений в роевых робототехнических системах // Системы управления, связи и безопасности. 2022. № 3. С. 105-137. DOI: 10.24412/2410-9916-2022-3-105-137.
6. Zheng C., Lee K. Consensus decision-making in artificial swarms via entropy-based local negotiation and preference updating // Swarm Intell. Springer, 2023. Vol. 17, № 4. P. 283–303.
7. Petrenko V.I., Tebueva F.B., Ryabtsev S.S., Gurchinsky M.M., Struchkov I.V. Consensus achievement method for a robotic swarm about the most frequently feature of an environment // IOP Conference Series: Materials Science and Engineering. 2020. Vol. 919, № 4.