Una arquitectura para coordinar el comportamiento de diferentes robots en un equipo.

4 de mayo de 2023 feature

Este artículo ha sido revisado de acuerdo al proceso editorial y políticas de Science X. Los editores han destacado los siguientes atributos mientras se aseguraba la credibilidad del contenido:

• verificación de hechos
• prepublicación
• fuente confiable
• corrección de pruebas

por Ingrid Fadelli, Tech Xplore

Cuando se enfrentan a misiones como equipo, los robots deben poder coordinar sus esfuerzos, por ejemplo, completando diferentes sub-tareas, monitoreando diferentes partes de un entorno objetivo, y así sucesivamente. En los últimos años, los científicos de la computación han estado desarrollando modelos computacionales diseñados para coordinar las acciones y comportamientos de diferentes robots en un equipo.

Investigadores de la Universidad Tecnológica de Lulea en Suecia presentaron recientemente un nuevo método de coordinación multiagente que integra una tarea basada en subasta con árboles de comportamiento, modelos matemáticos utilizados a menudo en la ciencia de la computación para ejecutar planes. Este método, presentado en un paper prepublicado en arXiv, se encontró que organizaba efectivamente las acciones de múltiples robots que trabajan para lograr un objetivo común, especialmente cuando completan tareas que abarcan diferentes etapas.

"Encontramos la necesidad de una arquitectura de asignación de tareas flexible y reactiva para coordinar sistemas multiagente", dijo Niklas Dahlquist, uno de los investigadores que llevó a cabo el estudio, a Tech Xplore. "He trabajado previamente con árboles de comportamiento y es por eso que pensé que combinarlos con un esquema de asignación de tareas podría resultar en un marco flexible que también permita la fácil integración de nuevos tipos de tareas y diferentes agentes".

La arquitectura desarrollada por Dahlquist y sus colegas se basa en un enfoque basado en el mercado, que sustenta el funcionamiento de las subastas. Esencialmente, los agentes robóticos individuales en un equipo estiman el costo relacionado con abordar diferentes sub-tareas que deben completarse, colocando "ofertas" a través de un sistema de subasta centralizado. Posteriormente, este sistema de subasta analiza estas "ofertas" y asigna tareas óptimas a cada uno de los agentes.

"Nuestra arquitectura también tiene una capa local, que consiste en un árbol de comportamiento, que guía a los agentes individuales para completar una tarea asignada", explicó Dahlquist. "Esto da la ventaja de que no se necesita una unidad centralizada para tener un conocimiento global completo sobre el sistema, solo se necesitan las ofertas de los agentes y también reduce la carga computacional".

La arquitectura de coordinación multiagente propuesta por este equipo de investigadores podría tener ventajas notables sobre otros modelos propuestos anteriormente que típicamente se basan solo en la teoría de subastas o en equipos de comportamiento. Al separar las etapas de asignación y ejecución de tareas, por ejemplo, este enfoque podría ser más fácil de aplicar a equipos que contienen agentes robóticos con diferentes capacidades o a misiones que implican sub-tareas muy diferentes.

"Lo más notable de este trabajo es la integración de árboles de comportamiento con la asignación de tareas para permitir la incorporación de tareas en varias etapas", dijo Dahlquist. "Esto proporciona una arquitectura flexible y escalable para abordar escenarios donde las tareas específicas son desconocidas de antemano".

Dalquist y sus colegas evaluaron su arquitectura en una serie de experimentos en su laboratorio, utilizando varios robots TurtleBot3. Sus hallazgos fueron muy prometedores, ya que su método podría coordinar los esfuerzos de estos robots mientras abordaban colectivamente misiones simples.

En el futuro, esta nueva arquitectura podría ser aplicada y probada en escenarios más complejos, involucrando diferentes tipos de robots o una gama más amplia de sub-tareas. Además, podría inspirar potencialmente la creación de enfoques similares para coordinar los esfuerzos de diferentes agentes.

"Nuestros trabajos futuros se centrarán en la incorporación de nuevos tipos de tareas e introducción de agentes heterogéneos, como UAV, y un acoplamiento más complejo entre la asignación de tareas y los árboles de comportamiento", agregó Dahlquist. "También estamos trabajando para demostrar la viabilidad realizando despliegues más grandes en entornos más realistas".

© 2023 Science X Network