Профільний аналіз виконання місійних цілей як інструмент діагностики алгоритмів кооперативного керування роєм гетерогенних мобільних платформ
Article Sidebar
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Main Article Content
Abstract
Порівняння алгоритмів кооперативного керування роєм традиційно зводиться до єдиного агрегованого показника, який приховує структуру відмов системи. Запропоновано методику профільного аналізу, що оперує вектором частот виконання окремих місійних цілей і зіставляє його з апріорним індексом складності цілі. На єдиному стенді (18 цілей, рій із 30 гетерогенних платформ, 30 Монте-Карло прогонів) побудовано профілі семи конфігурацій керування. Виявлено три якісно різні типи профілю та категоріальну «сліпу зону» класичних алгоритмів у змішаних зонах. Показано, що генетична оптимізація параметрів нечіткої системи послаблює залежність результату від апріорної складності цілі.
Article Details
References
Nguyen, L. V., & Nguyen, H. L. (2024). Swarm intelligence-based multi-robotics: A comprehensive review. Applied Mathematics, 4(4), 1192–1210. https://doi.org/10.3390/appliedmath4040064
Khatib, O. (1986). Real-time obstacle avoidance for manipulators and mobile robots. The International Journal of Robotics Research, 5(1), 90–98. https://doi.org/10.1177/027836498600500106
Reynolds, C. W. (1987). Flocks, herds and schools: A distributed behavioral model. ACM SIGGRAPH Computer Graphics, 21(4), 25–34. https://doi.org/10.1145/37402.37406
Dias, M. B., Zlot, R., Kalra, N., & Stentz, A. (2006). Market-based multirobot coordination: A survey and analysis. Proceedings of the IEEE, 94(7), 1257–1270. https://doi.org/10.1109/JPROC.2006.876939
Lowe, R., Wu, Y., Tamar, A., Harb, J., Abbeel, P., & Mordatch, I. (2017). Multi-agent actor-critic for mixed cooperative-competitive environments. Advances in Neural Information Processing Systems, 30, 6379–6390.
Yu, C., Velu, A., Vinitsky, E., Gao, J., Wang, Y., Bayen, A., & Wu, Y. (2022). The surprising effectiveness of PPO in cooperative multi-agent games. Advances in Neural Information Processing Systems, 35, 24611–24624.
Hernandez-Leal, P., Kartal, B., & Taylor, M. E. (2019). A survey and critique of multiagent deep reinforcement learning. Autonomous Agents and Multi-Agent Systems, 33(6), 750–797. https://doi.org/10.1007/s10458-019-09421-1
Papoudakis, G., Christianos, F., Schäfer, L., & Albrecht, S. V. (2021). Benchmarking multi-agent deep reinforcement learning algorithms in cooperative tasks. Proceedings of the NeurIPS Track on Datasets and Benchmarks, 1, 1–13.
Bakdi, A., Hentout, A., Boutami, H., Maoudj, A., Hachour, O., & Bouzouia, B. (2017). Optimal path planning and execution for mobile robots using genetic algorithm and adaptive fuzzy-logic control. Robotics and Autonomous Systems, 89, 95–109. https://doi.org/10.1016/j.robot.2016.12.008
Berman, S., Halász, Á., Hsieh, M. A., & Kumar, V. (2009). Optimized stochastic policies for task allocation in swarms of robots. IEEE Transactions on Robotics, 25(4), 927–937. https://doi.org/10.1109/TRO.2009.2024997