4 مه 2023 -توسط Ingrid Fadelli، اعتبار: Dahlquist و همکاران
هنگام انجام مأموریت ها به عنوان یک تیم، ربات ها باید بتوانند تلاش های خود را هماهنگ کنند، به عنوان مثال، وظایف فرعی مختلف، نظارت بر بخش های مختلف یک محیط هدف، و غیره. در چند سال گذشته، دانشمندان کامپیوتر در حال توسعه مدل های محاسباتی طراحی شده برای هماهنگ کردن اعمال و رفتار ربات های مختلف در یک تیم بوده اند.
محققان دانشگاه فناوری Lulea در سوئد اخیراً یک روش جدید هماهنگی چند عاملی را معرفی کردند که یک کار مبتنی بر حراج را با درختان رفتار، مدل‌های ریاضی که اغلب در علوم رایانه برای اجرای برنامه‌ها استفاده می‌شوند، ادغام می‌کند. این روش، که در مقاله ای از پیش منتشر شده در arXiv معرفی شد، مشخص شد که به طور مؤثری اقدامات ربات های متعددی را که برای دستیابی به یک هدف مشترک کار می کنند، سازماندهی می کند، به ویژه هنگامی که در حال تکمیل وظایفی هستند که مراحل مختلف را در بر می گیرند.
Niklas Dahlquist، یکی از محققانی که این مطالعه را انجام داد، به Tech Xplore گفت: «ما نیاز به یک معماری تخصیص وظایف انعطاف‌پذیر و واکنش‌پذیر برای هماهنگ کردن سیستم‌های چند عاملی را پیدا کردیم. من قبلاً با درخت‌های رفتار کار کرده‌ام و به همین دلیل فکر کردم که ترکیب آنها با یک طرح تخصیص کار می‌تواند منجر به یک چارچوب انعطاف‌پذیر شود که همچنین امکان ادغام آسان انواع جدید وظایف و عوامل مختلف را فراهم می‌کند.
معماری توسعه یافته توسط Dahlquist و همکارانش مبتنی بر رویکرد مبتنی بر بازار است که زیربنای عملکرد حراج ها است. اساساً، عوامل روباتیک منفرد در یک تیم، هزینه‌های مربوط به رسیدگی به وظایف فرعی مختلفی را که باید تکمیل شوند، تخمین می‌زنند و «مناقصه‌ها» را از طریق یک سیستم مزایده مرکزی ارائه می‌کنند. متعاقباً، این سیستم مزایده این «پیشنهادها» را تجزیه و تحلیل می کند و وظایف بهینه را برای هر یک از نمایندگان تعیین می کند.
Dahlquist توضیح داد: «معماری ما همچنین دارای یک لایه محلی است که از یک درخت رفتار تشکیل شده است که عوامل فردی را برای تکمیل یک کار اختصاص داده شده راهنمایی می کند. “این مزیت را به ارمغان می آورد که نیازی به یک واحد متمرکز برای داشتن دانش کامل جهانی در مورد سیستم نیست، تنها چیزی که نیاز است پیشنهادات از سوی نمایندگان است و همچنین بار محاسباتی را کاهش می دهد.”
معماری هماهنگی چند عامل پیشنهاد شده توسط این تیم از محققان می تواند مزایای قابل توجهی نسبت به سایر مدل های ارائه شده در گذشته داشته باشد که معمولاً فقط بر تئوری همکاری یا تیم های رفتاری متکی هستند. برای مثال، با جدا کردن مراحل تخصیص و اجرای کار، این رویکرد می‌تواند برای تیم‌هایی که حاوی عوامل روباتیک با قابلیت‌های مختلف هستند یا برای مأموریت‌هایی که وظایف فرعی بسیار متفاوتی دارند، آسان‌تر اعمال شود.
Dahlquist گفت: «قابل توجه ترین نکته از این کار ادغام درختان رفتار با تخصیص وظایف است تا امکان ترکیب وظایف چند مرحله ای را فراهم کند. این یک معماری انعطاف‌پذیر و مقیاس‌پذیر برای مقابله با سناریوهایی می‌دهد که در آن وظایف خاص از قبل ناشناخته هستند.
دالکوئیست و همکارانش با استفاده از چندین ربات TurtleBot3، معماری خود را در یک سری آزمایش در آزمایشگاه خود ارزیابی کردند. یافته‌های آنها بسیار امیدوارکننده بود، زیرا روش آنها می‌توانست تلاش‌های این روبات‌ها را در حالی که به طور جمعی مأموریت‌های ساده را انجام می‌دادند هماهنگ کند.
در آینده، این معماری جدید می تواند در سناریوهای پیچیده تر، شامل انواع مختلف ربات ها یا طیف وسیع تری از وظایف فرعی، اعمال و آزمایش شود. علاوه بر این، به طور بالقوه می تواند الهام بخش ایجاد رویکردهای مشابه برای هماهنگی تلاش های عوامل مختلف باشد.
Dahlquist افزود: “کارهای آینده ما بر ترکیب انواع جدیدی از وظایف و معرفی عوامل ناهمگن مانند پهپادها و یک جفت پیچیده تر بین تخصیص وظایف و درختان رفتار متمرکز خواهد بود.” ما همچنین در حال کار برای نشان دادن امکان‌سنجی با اجرای استقرارهای بزرگتر در محیط‌های واقعی‌تر هستیم.»
