Eine Architektur, um das Verhalten verschiedener Roboter in einem Team zu koordinieren.

4. Mai 2023 feature

Dieser Artikel wurde gemäß dem Redaktionsprozess und den Richtlinien von Science X überprüft. Die Herausgeber haben dabei auf folgende Merkmale geachtet, um die Glaubwürdigkeit des Inhalts zu gewährleisten:

• überprüfte Fakten
• Preprint
• vertrauenswürdige Quelle
• korrekturgelesen

von Ingrid Fadelli, Tech Xplore

Bei Teammissionen sollten Roboter in der Lage sein, ihre Bemühungen zu koordinieren, indem sie beispielsweise unterschiedliche Teilaufgaben erledigen, verschiedene Teile einer Zielumgebung überwachen usw. Daher haben Informatiker in den letzten Jahren verschiedene rechnergestützte Modelle entwickelt, die darauf abzielen, die Handlungen und Verhaltensweisen verschiedener Roboter in einem Team zu koordinieren.

Forscher der Luleå University of Technology in Schweden haben kürzlich eine neue Mult-Agent-Koordinationsmethode vorgestellt, die eine auktionsbasierte Aufgabe mit Verhaltensbäumen integriert, mathematische Modelle, die oft in der Informatik zur Ausführung von Plänen verwendet werden. Diese Methode, die in einem auf arXiv vorgedruckten Papier vorgestellt wurde, wurde als wirksam bei der Organisation von Aktionen mehrerer Roboter zur Erreichung eines gemeinsamen Ziels gefunden, insbesondere wenn sie Aufgaben durchführen, die verschiedene Phasen umfassen.

'Wir haben einen Bedarf an einer flexiblen und reaktiven Aufgabenallokationsarchitektur für die Koordination von Multi-Agentensystemen festgestellt', sagte Niklas Dahlquist, einer der Forscher, die die Studie durchgeführt haben, gegenüber Tech Xplore. 'Ich habe zuvor mit Verhaltensbäumen gearbeitet, und deshalb dachte ich, dass ihre Kombination mit einem Aufgabenallokationsschema zu einem flexiblen Framework führen könnte, das auch die einfache Integration neuer Aufgabentypen und unterschiedlicher Agenten ermöglicht.'

Die von Dahlquist und seinen Kollegen entwickelte Architektur basiert auf einem marktbasierten Ansatz, der dem Funktionieren von Auktionen zugrunde liegt. Im Wesentlichen schätzen individuelle Roboter-Agenten in einem Team die Kosten für die Bewältigung unterschiedlicher Teilaufgaben ein, indem sie "Gebote" durch ein zentrales Auktionssystem abgeben. Anschließend analysiert dieses Auktionssystem diese "Gebote" und weist jedem der Agenten optimale Aufgaben zu.

'Unsere Architektur hat auch eine lokale Ebene, bestehend aus einem Verhaltensbaum, der die individuellen Agenten bei der Ausführung einer zugewiesenen Aufgabe anleitet', erklärte Dahlquist. 'Das hat den Vorteil, dass keine zentrale Einheit über volles globales Wissen über das System verfügen muss, alles, was benötigt wird, sind die Gebote der Agenten, und es reduziert auch die Rechenlast.'

Die von diesem Forscherteam vorgeschlagene Multi-Agenten-Koordinationsarchitektur könnte gegenüber in der Vergangenheit vorgeschlagenen Modellen bemerkenswerte Vorteile aufweisen, die typischerweise nur auf Auktionstheorie oder Verhaltensbäumen beruhen. Durch die Trennung von Aufgabenallokation und Ausführungsschritten könnte dieser Ansatz beispielsweise leichter auf Teams mit Roboter-Agenten unterschiedlicher Fähigkeiten oder auf Missionen angewendet werden, die sehr unterschiedliche Teilaufgaben beinhalten.

'Das bemerkenswerteste Ergebnis dieser Arbeit ist die Integration von Verhaltensbäumen mit der Aufgabenallokation, um die Integration von Mehrphasenaufgaben zu ermöglichen', sagte Dahlquist. 'Das gibt eine flexible und skalierbare Architektur für Szenarien, bei denen die spezifischen Aufgaben im Vorfeld nicht bekannt sind.'

Dalquist und seine Kollegen haben ihre Architektur in einer Reihe von Experimenten in ihrem Labor mit mehreren TurtleBot3-Robotern evaluiert. Ihre Ergebnisse waren sehr vielversprechend, da ihre Methode die Bemühungen dieser Roboter koordinieren konnte, während sie gemeinsam einfache Missionen durchführten.

In Zukunft könnte diese neue Architektur in komplexeren Szenarien, mit unterschiedlichen Arten von Robotern oder einer breiteren Palette von Teilaufgaben, angewendet und getestet werden. Darüber hinaus könnte sie möglicherweise die Schaffung ähnlicher Ansätze zur Koordinierung der Bemühungen unterschiedlicher Agenten inspirieren.

'Unsere zukünftigen Arbeiten werden sich darauf konzentrieren, neue Arten von Aufgaben zu integrieren und heterogene Agenten wie UAVs sowie eine komplexere Kopplung zwischen der Aufgabenallokation und den Verhaltensbäumen einzuführen', fügt Dahlquist hinzu. 'Wir arbeiten auch darauf hin, die Machbarkeit durch größere Einsätze in realistischeren Umgebungen zu demonstrieren.'

© 2023 Science X Netzwerk