доктор технических наук, профессор, профессор кафедры информационных управляющих систем Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
кандидат технических наук, преподаватель кафедры информационных технологий Военно-морского политехнического института ВУНЦ ВМФ «Военно-морская академия имени Адмирала Флота Советского Союза Н.Г. Кузнецова»
аспирант кафедры информационных управляющих систем Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
Актуальность. Совершенствование стратегий коллективного восприятия в роевых системах является ключевой задачей для повышения эффективности работы автономных роботизированных групп в сложных и динамичных условиях. Существующие подходы, такие как DMMD, DMVD и DC, обладают ограниченными возможностями при классификации объектов с неочевидными признаками, что требует разработки новых методов.
Цель исследования: повышение вероятности восприятия определенных характеристик объекта, исследуемого мультиагентной робототехнической системой. Используемые методы. Предлагаемый критерий использует байесовское решающее правило для пересчета апостериорных вероятностей альтернатив на основе данных, собираемых роботами. Корректность предлагаемых решений подтверждалась имитационным моделированием типовой задачи коллективного восприятия заданного полигона.
Результаты. Проведено сравнение с известными стратегиями коллективного восприятия: DMMD, DMVD и DC. Показано, что эти стратегии имеют ограниченные возможности в задачах классификации сложных объектов. Программно реализован сценарий коллективного восприятия в роевой роботехнической системе, состоящей из 20 роботов, обследующих сцену, состоящую из разноцветных плиток. Результаты проведенного эксперимента показали, что использование предлагаемого авторами подхода позволило приобрести рою роботов недостижимые прежде функциональные возможности в стратегии коллективного восприятия для сложных сценариев. Новизна. Предложено выявления свойств исследуемого объекта с использованием статистического критерия. Стратегия основана на квантификации процесса достижения консенсуса членами роя на последовательные такты (шаги), с последующей внутри- и межпериодной обработкой информации, продуцируемой роботами роя. Результаты работы расширяют теоретические основы роевого интеллекта, предлагая новый метод обработки распределенной информации. Практическая значимость заключается в повышении эффективности роевых систем для задач мониторинга, поиска и классификации в медицине, экологии и других областях.
Relevance. Improving collective perception strategies in swarm systems is a key challenge for enhancing the efficiency of autonomous robotic groups in complex and dynamic environments. Existing approaches, such as DMMD, DMVD, and DC, have limited capabilities in classifying objects with non-obvious features, necessitating the development of new methods.
Objective. Increasing the accuracy of perceiving specific characteristics of an object investigated by a multi-agent robotic system.
Methods. The proposed criterion employs a Bayesian decision rule to update the posterior probabilities of alternatives based on data collected by the robots. The validity of the proposed solutions was confirmed through simulation of a typical collective perception task on a defined tested.
Results. A comparison was made with established collective perception strategies: DMMD, DMVD, and DC. It was shown that these strategies have limited applicability in classifying complex objects. A software implementation of the collective perception scenario was tested in a swarm robotic system consisting of 20 robots inspecting a scene composed of multicolored tiles. The experimental results demonstrated that the authors' approach endowed the robot swarm with previously unattainable functional capabilities in collective perception for complex scenarios.
Novelty. A method for detecting object properties using a statistical criterion was proposed. The strategy quantifies the consensus-building process among swarm members over sequential time steps, followed by intra- and inter-period processing of information generated by the swarm's robots. The results expand the theoretical foundations of swarm intelligence by introducing a new method for processing distributed information. Practical significance lies in improving the efficiency of swarm systems for monitoring, search, and classification tasks in medicine, ecology, and other fields.
The authors declare that there are no conflicts of interest present.