Exploring communication network structures for the adaptability of a team of robots working in dynamical foraging environments

• Autor(a) principal: Viedman, Juan Manuel Nogales
• Data de Publicação: 2018
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UFU
• Texto Completo: https://repositorio.ufu.br/handle/123456789/22758; http://dx.doi.org/10.14393/ufu.te.2018.816
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO::MODELOS ANALITICOS E DE SIMULACAO; Foraging; Multi-robot systems; Probabilistic decision-making; Adaptive learning; Task allocation; Task partitioning; Computação; Robótica; Robôs-movimento

Na natureza, a tarefa de forrageamento tem uma importância vital para diversos organismos que exibem comportamento coletivo. Por esse motivo, uma das tarefas mais investigadas na robótica de enxame é o forrageamento. Neste trabalho se considera um time de robôs forrageiros no qual cada membro repete a tarefa de pegar um objeto e transportá-lo até um depósito. A navegação desses robôs depende de indicações visuais e locais, pois, nem odometria nem orientações globais foram utilizadas. O controlador é uma máquina de estados hierárquica, na qual subjazem os comportamentos dos robôs. Eles podem aprender qual comportamento se ajusta melhor às condições ambientais, que são dinâmicas. Para lidar com as mudanças ambientais, desenvolvemos estratégias que permitem aos robôs se adaptarem. Tais estratégias são avaliadas em ambientes distribuídos e aproveitam dois tipos de conexões: robô-ambiente e robô-robô. Em particular, essas conexões permitem o fluxo, a combinação das informações e, como consequência, o aprendizado. Visto que a informação influencia os comportamentos de cada robô e o desempenho do time, nossas estratégias foram avaliadas em dois cenários distintos: i) alocação de tarefas e ii) particionamento de tarefas. No ambiente de alocação de tarefas, os robôs interagem em três regiões do ambiente. Cada região conta com interfaces que geram objetos a diferentes taxas e compartilham informações entre elas e com os robôs trabalhando na região. A estratégia proposta alcançou uma solução próxima do ótimo teórico quando os robôs incorporaram essas informações. No outro ambiente, os robôs empregam interfaces para transferir objetos entre duas regiões ou os levam através de um caminho alternativo. Nesse cenário, as interfaces mudam a velocidade de transfe\-rên\-cia dos objetos e os robôs aprendem a partir de informações compartilhadas entre si. As estratégias propostas permitem que os robôs ajustem suas conexões para adaptar seu aprendizado e, assim, tomar decisões apropriadas à demanda pelas interfaces.