Uma arquitetura para coordenar o comportamento de diferentes robôs em uma equipe

Ao enfrentar missões como uma equipe, os robôs devem ser capazes de coordenar seus esforços, por exemplo, completando diferentes subtarefas, monitorando diferentes partes de um ambiente de destino e assim por diante. Nos últimos anos, os cientistas da computação desenvolveram modelos computacionais projetados para coordenar as ações e comportamentos de diferentes robôs em uma equipe.

Pesquisadores da Lulea University of Technology, na Suécia, introduziram recentemente um novo método de coordenação multiagente que integra uma tarefa baseada em leilão com árvores de comportamento, modelos matemáticos frequentemente usados ​​em ciência da computação para executar planos. Este método, apresentado em artigo pré-publicado em arXivfoi encontrado para organizar efetivamente as ações de vários robôs que estão trabalhando para atingir um objetivo comum, especialmente quando estão concluindo tarefas que abrangem diferentes estágios.

“Encontramos a necessidade de uma arquitetura de alocação de tarefas flexível e reativa para coordenar sistemas multiagentes”, disse Niklas Dahlquist, um dos pesquisadores que realizou o estudo, ao Tech Xplore. “Já trabalhei anteriormente com árvores de comportamento e é por isso que pensei que combiná-las com um esquema de alocação de tarefas poderia resultar em uma estrutura flexível que também permitisse a fácil integração de novos tipos de tarefas e diferentes agentes.”

A arquitetura desenvolvida por Dahlquist e seus colegas é baseada em uma abordagem baseada no mercado, que sustenta o funcionamento dos leilões. Essencialmente, agentes robóticos individuais em uma equipe estimam o custo relacionado ao enfrentamento de diferentes subtarefas que precisam ser concluídas, colocando “lances” por meio de um sistema central de leilões. Posteriormente, este sistema de leilões analisa essas “lances” e atribui tarefas ótimas a cada um dos agentes.

“Nossa arquitetura também possui uma camada local, que consiste em uma árvore de comportamento, que orienta os agentes individuais a concluir uma tarefa alocada”, explicou Dahlquist. “Isso dá a vantagem de não precisar de uma unidade centralizada para ter conhecimento global completo sobre o sistema, bastando os lances dos agentes e também reduz a carga computacional”.

A arquitetura de coordenação multiagente proposta por esta equipe de pesquisadores pode ter vantagens notáveis ​​sobre outros modelos propostos no passado, que normalmente dependem apenas da teoria de leilões ou equipes de comportamento. Ao separar as etapas de alocação e execução de tarefas, por exemplo, essa abordagem pode ser mais fácil de aplicar a equipes que contêm agentes robóticos com diferentes capacidades ou a missões que envolvem subtarefas muito diferentes.

“A conclusão mais notável deste trabalho é a integração de árvores de comportamento com a alocação de tarefas para permitir a incorporação de tarefas de vários estágios”, disse Dahlquist. “Isso fornece uma arquitetura flexível e escalável para lidar com cenários em que as tarefas específicas são desconhecidas com antecedência.”

Dalquist e seus colegas avaliaram sua arquitetura em uma série de experimentos em seu laboratório, usando vários robôs TurtleBot3. Suas descobertas foram muito promissoras, pois seu método poderia coordenar os esforços desses robôs enquanto eles enfrentavam coletivamente missões simples.

No futuro, essa nova arquitetura poderá ser aplicada e testada em cenários mais complexos, envolvendo diferentes tipos de robôs ou uma gama mais ampla de subtarefas. Além disso, poderia potencialmente inspirar a criação de abordagens semelhantes para coordenar os esforços de diferentes agentes.

“Nossos trabalhos futuros se concentrarão na incorporação de novos tipos de tarefas e na introdução de agentes heterogêneos, como UAVs, e um acoplamento mais complexo entre a alocação de tarefas e as árvores de comportamento”, acrescentou Dahlquist. “Também estamos trabalhando para demonstrar a viabilidade realizando implantações maiores em ambientes mais realistas”.

© 2023 Science X Network