Wie arbeiten Roboter zusammen, um einen Konsens zu erzielen?

Gruppenentscheidungen zu treffen ist keine leichte Aufgabe, insbesondere wenn es sich bei den Entscheidungsträgern um einen Roboterschwarm handelt. Um die Schwarmautonomie in der kollektiven Wahrnehmung zu erhöhen, schlug ein Forschungsteam des IRIDIA-Forschungslabors für künstliche Intelligenz an der Freien Universität Brüssel einen innovativen selbstorganisierenden Ansatz vor, bei dem jeweils ein Roboter vorübergehend als „Gehirn“ fungiert, um Informationen im Namen zu konsolidieren aus der Gruppe.

Ihr Artikel wurde veröffentlicht in Intelligentes Rechnen. In der Arbeit zeigten die Autoren, dass ihre Methode die Genauigkeit der kollektiven Wahrnehmung verbessert, indem sie Unsicherheitsquellen reduziert.

Durch die Kombination von Aspekten zentraler und dezentraler Steuerung erkannten die Autoren die Vorteile beider in einem System, wobei die Skalierbarkeit und Fehlertoleranz dezentraler Ansätze erhalten blieben und gleichzeitig die Genauigkeit zentralisierter Ansätze integriert wurde. Der Ansatz ermöglicht es Robotern, ihre relativen Positionen innerhalb des Systems zu verstehen und ihre Sensorinformationen an einem Punkt zusammenzuführen, ohne dass ein globales oder statisches Kommunikationsnetzwerk oder externe Referenzen erforderlich sind.

Darüber hinaus ermöglicht der Ansatz der Autoren erstmals die Anwendung zentralisierter Methoden zur Fusion von Informationen mehrerer Sensoren auf ein selbstorganisiertes System. Multisensor-Fusionstechniken wurden bisher nur in vollständig zentralisierten Systemen demonstriert.

Die Autoren testeten den Ansatz der selbstorganisierenden Hierarchie im Vergleich zu drei Benchmark-Ansätzen und stellten fest, dass ihr Ansatz unter den getesteten Bedingungen hinsichtlich Genauigkeit, Konsistenz und Reaktionszeit herausragte. Im Versuchsaufbau sammelt ein Schwarm simulierter Drohnen und Bodenroboter zweidimensionale räumliche Daten, indem er in einer Arena verstreute Objekte erkennt und sich eine kollektive Meinung über die Objektdichte bildet. Um die Anzahl der Objekte pro Einheit zu ermitteln, müssen sich die Roboter auf ihre Nahbereichssensoren verlassen.

Dieser neue Ansatz nutzt laut den Autoren ein „dynamisches hierarchisches Ad-hoc-Netzwerk“. Es basiert auf einer Art allgemeinem Rahmenwerk, das als fusionierbares Nervensystem bekannt ist, in dem Roboter auf jeder Ebene der Hierarchie unterschiedliche Rollen in den Entscheidungsprozessen spielen und Roboter ihre Verbindungen und relativen Positionen nach Bedarf ändern können, obwohl dies bei jedem Roboter der Fall ist beschränkt sich darauf, nur mit seinen direkten Nachbarn zu kommunizieren.

Im Ansatz der Autoren ist der „Gehirn“-Roboter auf der obersten Ebene für die Durchführung von Schlussfolgerungen und das Versenden von Bewegungsanweisungen verantwortlich, während die Roboter auf der mittleren Ebene die Datenübertragung verwalten und am Ausgleich globaler und lokaler Bewegungsziele beteiligt sind (z. B , während der Hindernisvermeidung), und die Mehrheit auf der untersten Ebene führt die Probensammlung durch und verwaltet gleichzeitig die lokale Bewegung.

Zukünftige Forschungen zu diesem Thema könnten fortgeschrittene Inferenzmethoden untersuchen und die Robustheit von Probenahmemethoden bei weiteren Arten von Roboterausfällen oder anspruchsvollen Umgebungsbedingungen, wie beispielsweise Umgebungen mit großen Hindernissen oder unregelmäßigen Grenzen, erweitern.

Bereitgestellt von Intelligent Computing