Реализация стратегии коллективного восприятия в самоорганизующейся роевой системе с использованием байесовского решающего правила

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.

1. Dorigo M., et al. Swarm robotics // Scholarpedia. 2014;9(1):1463. DOI:10.4249/scholarpedia.1463

2. Campo A., Garnier S., Dedriche O., Zekkri M., Dorigo M. Self-Organized Discrimination of Resources // PLoS ONE. 2011. Vol. 6. Iss. 5. P. e19888. DOI:10.1371/journal.pone.0019888

3. Sailor M.J., Link J.R. “Smart dust”: nanostructured devices in a grain of sand // Chemical Communications. 2005. Iss. 11. P. 1375. DOI:10.1039/b417554a. EDN:MHMXGT

4. Montes de Oca M.A., Ferrante E., Scheidler A., Pinciroli C., Birattari M., Dorigo M. Majority-rule opinion dynamics with differential latency: a mechanism for self-organized collective decision-making // Swarm Intelligence. 2011. Vol. 5. Iss. 3-4. PP. 305–327. DOI:10.1007/s11721-011-0062-z. EDN:GHZZLS

5. Городецкий В.И. Поведенческие модели кибер-физических систем и групповое управление: основные понятия // Известия ЮФУ. Технические науки. 2019. № 1(203). С. 144–162. DOI:10.23683/2311-3103-2019-1-144-162. EDN:LYUZBR

6. Карпов В.Э. Социальные сообщества роботов: от реактивных к когнитивным агентам // Мягкие измерения и вычисления. 2019. № 2(15). С. 61‒78. EDN:SEFEFV

7. Зикратов И.А., Викснин И.И., Зикратова Т.В. Мультиагентное планирование проезда перекрестка дорог беспилотными транспортными средствами // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16. № 5. С. 839‒849. DOI:10.17586/2226-1494-2016-16-5-839-849. EDN:WRPHSP

8. Юрьева Р.А., Комаров И.И., Викснин И.И. Иммунологические принципы принятия решения в мультиагентных робототехнических системах // Глобальный научный потенциал. 2015. Т. 5. № 50. С. 87‒91. EDN:UKOVSB

9. Strobel V., Ferrer E.C., Dorigo M. Managing Byzantine Robots via Blockchain Technology in a Swarm Robotics Collective Decision Making Scenario // Proceedings of the 17th International Conference on Autonomous Agents and Multiagent Systems (AAMAS '14, Stockholm Sweden, 10‒15 July 2018). IFAAMAS, 2018. PP. 541‒549.

10. Иванов Д.Я. Методы роевого интеллекта для управления группами малоразмерных беспилотных летательных аппаратов // Известия ЮФУ. Технические науки. 2011. № 3(116). С. 221–229. EDN:NPKHEP

11. Каляев И.А., Гайдук А.Р., Капустян С.Г. Модели и алгоритмы коллективного управления в группах роботов. М.: ФИЗМАТЛИТ, 2009. 280 с. EDN:MUWSIT

12. Саенко И.Б., Соколов А.П., Лаута О.С., Губский П.М. Методика целераспределения при групповом полете мини-БПЛА к целям // Информация и космос. 2024. № 2. С. 113‒120. EDN:CGIZBA

13. Valentini G., Brambilla D., Hamann H., Dorigo M. Collective Perception of Environmental Features in a Robot Swarm // Proceedings of the 10th International Conference on Swarm Intelligence (Brussels, Belgium, 7‒9 September 2016). Lecture Notes in Computer Science. Cham: Springer, 2016. Vol. 9882. PP. 65‒76. DOI:10.1007/978-3-319-44427-7_6

14. Fagiolini A., Pellinacci M., Valenti G., Dini G., Bicchi A. Consensus-based distributed intrusion detection for multirobot systems // Proceedings of the International Conference on Robotics and Automation (ICRA 2008, Pasadena, USA, 19‒23 May 2008). PP. 120‒127. DOI:10.1109/ROBOT.2008.4543196

15. Valentini G., Hamann H. Time-variant feedback processes in collective decision-making systems: influence and effect of dynamic neighborhood sizes // Swarm Intelligence. 2015. Vol. 9. PP. 153–176. DOI:10.1007/s11721-015-0108-8

16. Reina A., Valentini G., Hamann H., Dorigo M. A Design Pattern for Decentralised Decision Making // PLoS ONE. 2015. Vol. 10. DOI:10.1371/journal.pone.0140950

17. Зикратов И.А., Зикратова Т.В. Использование поведенческих моделей для исследования социумов роботов // Информация и космос. 2022. № 4. С. 170–174. EDN:DQASLC

18. Зикратова Т.В. Метод группового управления в мультиагентных робототехнических системах в условиях воздействия дестабилизирующих факторов // Труды учебных заведений связи. 2021;7(3):92‒100. DOI:10.31854/1813-324X-2021-7-3-92-100. EDN:JFMYBF

19. Valentini G. Indirect Modulation of Majority-Based Decisions // Studies in Computational Intelligence. 2017. Vol. 706. PP. 55‒66. DOI:10.1007/978-3-319-53609-5_4

20. Valentini G., Hamann H., Dorigo M. Efficient Decision-Making in a Self-Organizing Robot Swarm: On the Speed Versus Accuracy Trade-Off // Proceedings of the 14th International Conference on Autonomous Agents and Multiagent Systems (AAMAS '15, Istanbul, Turkey, 4‒8 May 2015). IFAAMAS, 2015. PP. 1305–1314.

21. Valentini G., Hamann H., Dorigo M. Self-organized collective decision making: the weighted voter model // Proceedings of the 13th International Conference on Autonomous Agents and Multiagent Systems (AAMAS '14, Paris, France, 5‒9 May 2014). IFAAMAS, 2014. PP. 45–52.

22. Valentini G. Achieving Consensus in Robot Swarms // Studies in Computational Intelligence. 2017. Vol. 706. DOI:10.1007/978-3-319-53609-5

23. Valentini G., Ferrante E., Hamann H., Dorigo M. Collective decision with 100~Kilobots: speed versus accuracy in binary discrimination problems // Autonomous Agents and Multi-Agent Systems. 2015. Vol. 30. Iss. 3. PP. 553–580. DOI:10.1007/s10458-015-9323-3

24. Valentini G., Hamann H., Dorigo M. Self-Organized Collective Decision-Making in a 100-Robot Swarm // Twenty-Ninth AAAI Conference on Artificial Intelligence. 2015. Vol. 29. Iss. 1. DOI:10.1609/aaai.v29i1.9720

25. Рябцев С.С. Метод выявления вредоносных роботов на основе данных процесса коллективного принятия решений в роевых робототехнических системах // Системы управления, связи и безопасности. 2022. № 3. С. 105‒137. DOI:10.24412/2410-9916-2022-3-105-137. EDN:SVSCHG

26. Зикратов И.А., Зикратова Т.В., Новиков Е.А. Алгоритм защиты роевых робототехнических систем от атак вредоносных роботов с координированной стратегией поведения // Труды учебных заведений связи. 2024. Т. 10. № 3. С. 75‒86. DOI:10.31854/1813-324X-2024-10-3-75-86. EDN:XUDVOR