Огляд онлайн-навчання без учителя із семантичної сегментації для автономних транспортних засобів
DOI:
https://doi.org/10.31548/Анотація
Системи з кількома роботами привернули значний інтерес у промисловій автоматизації, пошуково-рятувальних операціях та освоєнні космосу завдяки своїй здатності виконувати складні завдання з підвищеною ефективністю та надійністю. Ефективна координація між кількома автономними агентами має вирішальне значення для оптимізації виконання завдань, мінімізації використання ресурсів і забезпечення експлуатаційної надійності. Однак залишаються ключові проблеми, такі як динамічний розподіл завдань, уникнення зіткнень, комунікаційні обмеження та адаптивність до змін навколишнього середовища. У цьому дослідженні представлено новий гібридний підхід до координації завдань за участю кількох роботів, що інтегрує принципи ройового інтелекту з методами навчання з підкріпленням для покращення прийняття рішень та адаптивності в динамічних середовищах.
Запропонована методологія використовує гібридний алгоритм, який поєднує евристику на основі ройового інтелекту з рамками навчання з підкріпленням для досягнення оптимального розподілу завдань і планування шляху. Система реалізована в змодельованому середовищі з кількома роботами, де роботи працюють в умовах заздалегідь визначених завдань і різних умов навколишнього середовища. Структура оцінювання охоплює низку показників продуктивності, включаючи час виконання завдання, енергоефективність, накладні витрати на зв'язок між роботами та стійкість системи до динамічних збурень.
Порівняльний аналіз проводиться з традиційними евристичними та детермінованими підходами для перевірки ефективності запропонованої моделі координації. Оцінка експериментального моделювання показує, що запропонована структура координації значно підвищує ефективність виконання завдань за рахунок мінімізації зайвих переміщень та оптимізації розподілу ресурсів. Покращення продуктивності можна виміряти у скороченні часу виконання завдання (в середньому на X %), меншому споживанні енергії (на Y %) та покращеній адаптивності до непередбачуваних перешкод. Крім того, гібридний підхід демонструє чудову стійкість у динамічних середовищах, зберігаючи стабільну координацію, незважаючи на вимоги завдань і варіації непередбачуваності навколишнього середовища. Статистичний аналіз підтверджує надійність запропонованого методу в порівнянні з традиційними стратегіями, підкреслюючи його застосовність в реальних розгортаннях з декількома роботами.
Отримані результати підкреслюють потенціал інтеграції ройового інтелекту та навчання з підкріпленням для досягнення масштабованої та адаптивної координації кількох роботів. Цей підхід має значні наслідки для реальних застосувань, включаючи складську логістику, автономне спостереження та операції з реагування на стихійні лиха. Майбутні дослідження розширять адаптивність у режимі реального часу, розширять можливості навчання кількох агентів і масштабують рамки для більших роботизованих автопарків за допомогою децентралізованих архітектур прийняття рішень. Крім того, були вивчені потенційні реалізації апаратного забезпечення та тестування в реальних умовах для перевірки результатів моделювання та вдосконалення стратегій розгортання.
Ключові слова: промислова автоматизація, IoT, робототехніка, архітектура систем, системи управління, моделювання, Swarm, SLAM
Посилання
1. Chen, J. Y., & Barnes, M. J. (2014). Human-agent teaming for multi-robot control: A review of human factors issues. IEEE Transactions on Human-Machine Systems, 44(1), 13–29. https://doi.org/10.1109/THMS.2013.2293535
2. Brailsford, S. C., Potts, C. N., & Smith, B. M. (1999). Constraint satisfaction problems: Algorithms and applications. European Journal of Operational Research, 119(3), 557–581. https://doi.org/10.1016/S0377-2217(98)00345-2
3. Ryan, M. (2010, May). Constraint-based multi-robot path planning. In 2010 IEEE International Conference on Robotics and Automation (pp. 922–928). IEEE. https://doi.org/10.1109/ROBOT.2010.5509741
4. Song, P., & Kumar, V. (2002, May). A potential field-based approach to multi-robot manipulation. In Proceedings 2002 IEEE International Conference on Robotics and Automation (Cat. No. 02CH37292) (Vol. 2, pp. 1217–1222). IEEE. https://doi.org/10.1109/ROBOT.2002.1014733
5. Dogar, M., Spielberg, A., Baker, S., & Rus, D. (2019). Multi-robot grasp planning for sequential assembly operations. Autonomous Robots, 43, 649–664. https://doi.org/10.1007/s10514-018-9779-1
6. Farivarnejad, H., & Berman, S. (2022). Multirobot control strategies for collective transport. Annual Review of Control, Robotics, and Autonomous Systems, 5(1), 205–219. https://doi.org/10.1146/annurev-control-042920-020303
7. Cortés, J., & Egerstedt, M. (2017). Coordinated control of multi-robot systems: A survey. SICE Journal of Control, Measurement, and System Integration, 10(6), 495–503. https://doi.org/10.9746/jcmsi.10.495
8. Marvel, J. A., Bostelman, R., & Falco, J. (2018). Multi-robot assembly strategies and metrics. ACM Computing Surveys (CSUR), 51(1), 1–32. https://doi.org/10.1145/3146389
9. Yan, Z., Jouandeau, N., & Cherif, A. A. (2013). A survey and analysis of multi-robot coordination. International Journal of Advanced Robotic Systems, 10(12), 399. https://doi.org/10.5772/56927
10. Nieto-Granda, C., Rogers III, J. G., & Christensen, H. I. (2014). Coordination strategies for multi-robot exploration and mapping. The International Journal of Robotics Research, 33(4), 519–533. https://doi.org/10.1177/0278364913507327
11. Neumann, M. A., & Kitts, C. A. (2016). A hybrid multirobot control architecture for object transport. IEEE/ASME Transactions on Mechatronics, 21(6), 2983–2988. https://doi.org/10.1109/TMECH.2016.2593440
12. Hooper, D. J., & Peterson, G. L. (2009, May). HAMR: A Hybrid Multi-Robot Control Architecture. In FLAIRS Conference (pp. 309–314). https://doi.org/10.3233/978-1-60750-061-2-309
13. Marino, A., Parker, L. E., Antonelli, G., & Caccavale, F. (2013). A decentralized architecture for multi-robot systems based on the null-space-behavioral control with application to multi-robot border patrolling. Journal of Intelligent & Robotic Systems, 71, 423–444. https://doi.org/10.1007/s10846-012-9740-9
14. Gielis, J., Shankar, A., & Prorok, A. (2022). A critical review of communications in multi-robot systems. Current Robotics Reports, 3(4), 213–225. https://doi.org/10.1007/s43154-022-00097-6
15. An, X., Wu, C., Lin, Y., Lin, M., Yoshinaga, T., & Ji, Y. (2023). Multi-robot systems and cooperative object transport: Communications, platforms, and challenges. IEEE Open Journal of the Computer Society, 4, 23–36. https://doi.org/10.1109/OJCS.2023.3246596
16. Verma, J. K., & Ranga, V. (2021). Multi-robot coordination analysis, taxonomy, challenges and future scope. Journal of Intelligent & Robotic Systems, 102, 1–36. https://doi.org/10.1007/s10846-021-01383-0
17. Chakraa, H., Guérin, F., Leclercq, E., & Lefebvre, D. (2023). Optimization techniques for Multi-Robot Task Allocation problems: Review on the state-of-the-art. Robotics and Autonomous Systems, 168, 104492. https://doi.org/10.1016/j.robot.2023.104492
18. Gu, S., Kuba, J. G., Chen, Y., Du, Y., Yang, L., Knoll, A., & Yang, Y. (2023). Safe multi-agent reinforcement learning for multi-robot control. Artificial Intelligence, 319, 103905. https://doi.org/10.1016/j.artint.2022.103905
19. Mayya, S., D’Antonio, D. S., Saldaña, D., & Kumar, V. (2021). Resilient task allocation in heterogeneous multi-robot systems. IEEE Robotics and Automation Letters, 6(2), 1327–1334. https://doi.org/10.1109/LRA.2021.3054562
20. Chang, Y., Ebadi, K., Denniston, C. E., Ginting, M. F., Rosinol, A., Reinke, A., ... & Carlone, L. (2022). LAMP 2.0: A robust multi-robot SLAM system for operation in challenging large-scale underground environments. IEEE Robotics and Automation Letters, 7(4), 9175–9182. https://doi.org/10.1109/LRA.2022.3187952
21. Li, Q., Lin, W., Liu, Z., & Prorok, A. (2021). Message-aware graph attention networks for large-scale multi-robot path planning. IEEE Robotics and Automation Letters, 6(3), 5533–5540. https://doi.org/10.1109/LRA.2021.3076798
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).
