Wie kann die Effizienz der Cluster-Zusammenarbeit verbessert werden? Chinesische und ausländische Teams arbeiten zusammen, um eine Strategie zur Steuerung der Roboterformation zu entwickeln, die auf der Mittelwertverschiebung basiert

Stellen Sie sich das Szenario vor, dass „Menschenmassen Schlange stehen, um den Aufzug zu betreten“. Wenn die Person, die zuerst einsteigt, „egoistisch“ ist, bleibt sie nach dem Betreten des Aufzugs stehen, wodurch die Personen hinter ihr daran gehindert werden, den Aufzug zu betreten. Wenn der Vordermann „selbstlos“ ist, wird er die Initiative ergreifen, um den Aufzug zu betreten, damit die Leute dahinter den Aufzug problemlos betreten können.

Inspiriert von diesem Szenario entwickelten die Forscher die selbstlose Erkundungsstrategie Diese einfache Strategie kann die Kooperationseffizienz des Roboterclustersystems erheblich verbessern. Die Ergebnisse wurden im Juni 2023 veröffentlicht.

▍Einführung der „selbstlosen“ Erkundung: Roboterkooperation effizienter gestalten

Unter vielen Roboterschwarmsystemen ist die Kontrolle der Schwarmbildung ein wichtiges und einzigartiges Thema. Im Vergleich zu anderen Cluster-Zusammenarbeitsproblemen stellt die Formationskontrolle eine einzigartige technische Herausforderung dar, das heißt, die globale Formation ist tatsächlich eine globale Einschränkung. Diese Einschränkung schafft eine „Konkurrenzbeziehung“ zwischen Robotern, die ursprünglich „kooperierten“. Im Wesentlichen ist es dieses Wettbewerbsverhältnis, das viele Schwierigkeiten bei der Formationskontrolle mit sich bringt. Traditionelle Methoden verwenden normalerweise die Zielzuweisung, um das Wettbewerbsproblem zwischen Robotern zu lösen. Allokationsbasierte Methoden haben jedoch Probleme mit der Fehlertoleranz und einer schwachen Anpassungsfähigkeit. Wenn die zugewiesenen Ziele unangemessen sind oder einige Roboter nicht richtig funktionieren, müssen die Ziele ständig neu zugewiesen werden, was zu einer geringen Effizienz führt.

Kürzlich haben Forscher der Westlake University, der Beihang University, der Tsinghua University und der University of Sheffield im Vereinigten Königreich eine neue Methode zur Steuerung der Roboterkoordination vorgeschlagen, die auf einer „selbstlosen“ Erkundungsstrategie basiert. Der Kern besteht aus einem Algorithmus, der auf Mean-Shift basiert So lösen Sie Wettbewerbskonflikte zwischen Robotern: Das heißt, wenn ein Roboter vorhersagt, dass er mit umliegenden Robotern konkurrieren wird, verlässt er aktiv seine aktuelle Position und bewegt sich in einen offeneren Bereich.

Man spricht von einer „selbstlosen“ Strategie, weil sie Konflikte „aktiv“ lösen kann.

Im Vergleich zu den neuesten Forschungsarbeiten kann die Effizienz der vorgeschlagenen „selbstlosen“ Explorationsstrategie bei großen Clustern um ein Dutzendfaches verbessert werden, und diese Verbesserung wird mit zunehmender Clustergröße noch weiter gesteigert. Da diese Strategie außerdem nicht auf der Zielzuweisung beruht, ist sie von Natur aus fehlertolerant und anpassungsfähig und kann auf komplexe Weltraumforschung, kollaborative Handhabung und andere Aufgaben ausgeweitet werden.

Die „selbstlose“ Explorationsstrategie besteht aus drei Teilen. Der erste Teil ist das Mensch-Cluster-Interaktionssystem, das zur Formulierung der von Menschen benötigten geometrischen Formation verwendet wird. Der zweite Teil ist ein verteilter Verhandlungsalgorithmus. Alle Roboter verhandeln die euklidischen Parameter der Zielformation, einschließlich Position und Richtung, auf verteilte Weise mit ihren umgebenden Nachbarn. Der dritte und wichtigste Teil ist der verteilte Formationskontrollalgorithmus. Der Steueralgorithmus besteht aus drei Steueranweisungen.

Der erste ist der Formationseintrittsbefehl, der den Roboter in die Zielformation einführen soll. Der zweite Befehl ist der Formationserkundungsbefehl, mit dem der mögliche Bereich innerhalb der Formation mithilfe des Mean-Shift-Mechanismus erkundet wird. Der dritte ist der interaktive Befehl, der zur Vermeidung von Kollisionen und zur Geschwindigkeitsanpassung zwischen Robotern verwendet wird.

Basierend auf dieser Strategie entwickelte das Forschungsteam ein Cluster-Experimentalsystem

mit

50 Bodenrobotern. Relevante Experimente wurden mit Unterstützung eines Indoor-Bewegungserfassungssystems durchgeführt und in einer verteilten, parallelen Multithread-Methode implementiert.

▍Robotercluster erfüllen eine Vielzahl von Aufgaben: Sie verfügen über effiziente Zusammenarbeit und autonome Steuerungsfähigkeiten

Die „selbstlose“ Erkundungsstrategie kann

die Selbstorganisation des Roboters steuern, um komplexe, nicht konvexe Formen zu bilden. Zum Beispiel eine „Schneeflocken“-Formation mit reichen Verzweigungen. Mit dieser Strategie kann der Robotercluster die Formation genau realisieren, ohne in ein lokales Optimum zu fallen. Darüber hinaus können Roboterschwärme auf diese Weise unterschiedliche nicht-konvexe Formationen bilden und fließend von einer Form in die andere wechseln.

Die „selbstlose“ Explorationsstrategie weist im Vergleich zu den neuesten Forschungsarbeiten eine um ein Dutzendfache Effizienzsteigerung auf, und diese Verbesserung wird mit zunehmender Clustergröße noch verstärkt.

Da die „selbstlose“ Erkundungsstrategie nicht durch Probleme wie Zielzuweisung und Änderungen in der Anzahl der Roboter eingeschränkt wird, verfügt sie über Anpassungsfähigkeiten. Wenn beispielsweise einige Roboter aus dem Cluster entfernt werden, erfordert das gesamte System keine Fehlererkennung oder fehlertolerante Steuerung und kann sich nahtlos neu formieren, was dem gesamten System ein gewisses Maß an „Regenerationsfähigkeit“ verleiht.

Ein weiteres Merkmal der „selbstlosen“ Erkundungsstrategie ist die Fähigkeit, zeitlich veränderliche Formationen zu verfolgen. Eine wichtige Anwendung besteht darin, die kollaborative Handhabung mehrerer Roboter zu realisieren. Dabei muss der Roboter einerseits die Formation aufrechterhalten und andererseits dem Anführer folgen, um eine Formationsbewegung und damit einen koordinierten Warentransport zu erreichen.

Darüber hinaus können mit der „selbstlosen“ Erkundungsstrategie komplexe Umgebungen erkundet werden. Sie können beispielsweise eine Menschenmenge simulieren, die durch einen schmalen Eingang einen Raum betritt, ohne am Eingang stecken zu bleiben. Es ist erwähnenswert, dass Dieses Beispiel die Strategie der „selbstlosen“ Erkundung anschaulich erklärt. Es ist der Lebensszene von Menschen, die den Aufzug betreten, sehr ähnlich: Wenn viele Menschen den Aufzug betreten wollen, Wenn eine Person „egoistisch“ ist, dann wird sie nach dem Betreten des Aufzugs aufhören, sich zu bewegen, weil sie ihr Ziel erreicht hat. Allerdings wird dadurch der Zutritt für Personen hinter Ihnen blockiert. Wenn diese Person „selbstlos“ ist, dann wird sie die Initiative ergreifen, hineinzugehen, damit die Menschen dahinter reibungslos eintreten können.

Ein weiteres Beispiel ist, dass damit komplexe Labyrinthe erkundet werden können. Obwohl es im Labyrinth viele nicht konvexe Strukturen wie Ecken gibt, kann diese Strategie aufgrund ihrer guten Erkundbarkeit dennoch erfolgreich eine vollständige Abdeckung des Labyrinths erreichen, ohne in das lokale Optimum zu fallen.

▍Fazit

Die Idee des in diesem Artikel vorgeschlagenen Algorithmus ist sehr einfach, aber es ist eine so einfache Idee, die ein wichtiges Problem löst, mit dem die Clusterbildungssteuerung seit langem konfrontiert ist. Zukünftig können die Wahrnehmungsfähigkeiten der Roboterplattform weiter ausgebaut werden, um das gesamte System intelligenter zu machen und die Entstehung von Schwarmverhaltensweisen zu ermöglichen, die hochintelligenten Organismen tatsächlich ähneln.

▍Artikelquelle

G. Sun, R. Zhou, Z. Ma, Y. Li, R. Groß, Z. Chen und S. Zhao*, „Mean-Shift Exploration in Shape Assembly of Robot Swarms“, Nature Communications, Bd. 14 , S. 3476, 2023. https://doi.org/10.1038/s41467-023-39251-5

Das obige ist der detaillierte Inhalt vonWie kann die Effizienz der Cluster-Zusammenarbeit verbessert werden? Chinesische und ausländische Teams arbeiten zusammen, um eine Strategie zur Steuerung der Roboterformation zu entwickeln, die auf der Mittelwertverschiebung basiert. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!