Un'architettura per coordinare il comportamento di diversi robot in un team.

4 maggio 2023 caratteristica

Questo articolo è stato revisionato secondo il processo editoriale e le politiche di Science X. Gli editor hanno evidenziato i seguenti attributi garantendo la credibilità del contenuto:

• verificato
• preprint
• fonte affidabile
• corretto

di Ingrid Fadelli, Tech Xplore

Nell'affrontare missioni in squadra, i robot dovrebbero essere in grado di coordinare i loro sforzi, ad esempio completando differenti sottotasks, monitorando differenti parti di un ambiente target e così via. Negli ultimi anni, quindi, gli informatici hanno sviluppato modelli computazionali progettati per coordinare le azioni e i comportamenti di diversi robot in una squadra.

I ricercatori dell'Università di Tecnologia di Lulea in Svezia hanno recentemente introdotto un nuovo metodo di coordinazione multi-agente che integra un'asta basata su task con alberi di comportamento, modelli matematici spesso usati in informatica per eseguire programmi. Questo metodo, introdotto in un articolo pre-pubblicato su arXiv, si è dimostrato efficace nell'organizzare le azioni di più robot che lavorano per raggiungere un obiettivo comune, in particolare quando completano task che spaziano in diverse fasi.

"Abbiamo riscontrato la necessità di un'architettura di allocazione di task flessibile e reattiva per coordinare i sistemi multi-agente", ha detto a Tech Xplore Niklas Dahlquist, uno dei ricercatori che ha condotto lo studio. "Ho lavorato precedentemente con gli alberi di comportamento e per questo ho pensato che la loro combinazione con uno schema di allocazione di task potesse risultare in un framework flessibile che permette anche un'integrazione facile di nuovi tipi di task e di diversi agenti".

L'architettura sviluppata da Dahlquist e suoi colleghi si basa su un approccio basato sul mercato, che sta alla base del funzionamento delle aste. Essenzialmente, gli agenti robotici individuali in una squadra stimano il costo correlato all'affrontare sottotasks diversi che devono essere completati, posizionando "offerte" attraverso un sistema di aste centralizzato. Successivamente, questo sistema di aste analizza queste "offerte" e assegna compiti ottimali ad ognuno degli agenti.

"La nostra architettura ha anche uno strato locale, composto da un albero di comportamento, che guida gli agenti individuali a completare un task allocato", ha spiegato Dahlquist. "Questo dà il vantaggio che non c'è bisogno di un'unità centralizzata che abbia una piena conoscenza globale del sistema, tutto ciò che serve sono le offerte degli agenti e anche riduce il carico computazionale".

L'architettura di coordinamento multi-agente proposta da questo team di ricercatori potrebbe avere notevoli vantaggi su altri modelli proposti in passato che tipicamente si basano solo sulla teoria delle aste o sui team di comportamento. Separando, ad esempio, l'allocazione di attività dalle fasi di esecuzione, questo approccio potrebbe essere più facile da applicare a squadre che contengono agenti robotici con differenti capacità o a missioni che comportano sottotasks molto diversi.

"Il risultato più evidente di questo lavoro è l'integrazione degli alberi di comportamento con l'allocazione di task per permettere di incorporare task multi-stage", ha detto Dahlquist. "Ciò offre un'architettura flessibile e scalabile per affrontare scenari in cui i task specifici non sono noti in anticipo".

Dahlquist e i suoi colleghi hanno valutato la loro architettura in una serie di esperimenti nel loro laboratorio, utilizzando diversi robot TurtleBot3. I loro risultati sono stati molto promettenti, poiché il loro metodo è stato in grado di coordinare gli sforzi di questi robot mentre affrontavano missioni semplici in modo collettivo.

In futuro, questa nuova architettura potrebbe essere applicata e testata in scenari più complessi, coinvolgendo diversi tipi di robot o un'ampia gamma di sottotasks. Inoltre, potrebbe potenzialmente ispirare la creazione di approcci simili per coordinare gli sforzi di agenti differenti.

"I nostri futuri lavori saranno focalizzati sull'incorporazione di nuovi tipi di task e sull'introduzione di agenti eterogenei, come gli UAV, e su un accoppiamento più complesso tra l'allocazione di task e gli alberi di comportamento", ha aggiunto Dahlquist. "Stiamo anche lavorando per dimostrare la fattibilità mediante svolgimento di implementazioni più grandi in ambienti più realistici".

© 2023 Science X Network