Несмотря на успехи в создании отдельных роботов, их совместная работа в реальных условиях пока оставляет желать лучшего. Специалисты по робототехнике успешно разрабатывают приложения и проводят испытания в лабораторных условиях, однако самоорганизующиеся системы начинают давать сбои при выходе за рамки контролируемой среды. Бельгийские исследователи предложили инновационный метод программирования роя роботов, основанный на централизованном управлении.
По мнению исследователей из Брюссельского свободного университета (Бельгия), за последние двадцать лет работы в сфере роевого интеллекта показали возможности управления большим числом автономных роботов без какого-то центрального координирующего робота. Эти эмерджентные системы рассчитаны на коллективное поведение различных объектов, каждый из которых выполняет простые функции, взаимодействуя с другими. Подобные технологии инженеры применяют для решения самых разных задач: мониторинга окружающей среды, навигации и транспортировки, строительства.
Обычно архитектура роев роботов строится на принципах самоорганизации гетерархию, изначально искусственный роевой интеллект разрабатывался, опираясь на принципы организации биологических систем, характерных для общественных насекомых, таких как муравьи, осы и пчелы, которые формируют сезонные или многолетние колонии. Однако, до настоящего времени, специалистам в области искусственного интеллекта не всегда удается создать эффективную иерархию в структуре роботов-агентов.
Бельгийские исследователи разработали самоорганизующиеся нервные системы, аналогичные человеческим. Благодаря такой структуре, рой роботов формирует многоуровневые системные архитектуры и занимает определенные роли в иерархии управления, на вершине которой находится «мозг». Этот «мозг» осуществляет руководство и контроль за групповыми действиями в процессе выполнения задачи, выступая в качестве временного координатора.
Вне зависимости от занимаемой позиции и уровня иерархии, любой агент способен заменить любого другого, даже центральный узел. Роботы взаимодействуют исключительно с находящимися рядом, что позволяет им корректировать конфигурации и перенастраивать динамические системные архитектуры.
Робот стремится привлечь соседа на свою сторону, невзирая на его место в иерархии. Если агент располагается в той же нервной сети или ее характеристики уступают его собственным, он отклоняет предложение. В противном случае сосед соглашается и переходит под контроль «родителя», становясь его «дочерним» роботом, а также вовлекая в эту структуру своих подчиненных «потомков».
Вместе с тем, «родитель» способен переопределить и уменьшить статус уже существующего дочернего элемента, если он оказывается более подходящим на данный момент. Неактивный «потомок» автоматически возвращается к работе в качестве управляющего центра собственной системы и соответствующим образом изменяет свою цель граф. Благодаря этим действиям, роботы в SoNS способны к постоянному перераспределению.
Ключевым отличием данной разработки является сочетание преимуществ централизованного управления с такими качествами самоорганизующейся сети, как масштабируемость, гибкость и отказоустойчивость – способность продолжать функционировать даже при выходе из строя отдельных компонентов.
Исследователи отметили, что SoNS позволяет программировать рой, имитируя поведение единого робота, а не группы, что существенно упрощает их применение в реальных задачах. Как правило, именно на этапе перехода от лабораторных разработок к практическому использованию возникают сложности.
Бельгийские инженеры осуществили четыре исследовательские миссии. В каждой из них проводилось не менее пяти тестов с использованием реальных роботов, предназначенных для работы в воздухе и на земле (от 12 до 12 агентов), а также с квадрокоптерной платформой, созданной по специальному заказу. Кроме того, выполнялось 50 тестов в симулированной среде с участием до 65 роботов).
В ходе всех экспериментов роботы успешно справились с поставленной задачей. Они проводили исследование окружающей обстановки, определяли оптимальный маршрут, осуществляли перемещение и разрабатывали план дальнейших действий, например, поиск и спасение утерянных имитаторов».
Исследователи также подтвердили возможность увеличения числа роботов в системе SoNS до 250 в физической симуляции, а также продемонстрировали различные типы отказоустойчивости как в моделировании, так и в реальных условиях. Этот прогресс в области роевого интеллекта в робототехнике позволит разработать новые методы, благодаря которым роботы смогут решать задачи быстрее и результативнее. В частности, подобный подход может быть полезен при проведении поисково-спасательных работ в условиях стихийных бедствий или природных катастроф.
Научная работа опубликована в журнале Science Robotics.