Algoritmos bioinspirados para producir comportamientos de colaboración para equipos de robots.

 

Algoritmos bioinspirados para producir comportamientos de colaboración para equipos de robots.
Imagen que muestra los kilobots que rodean a un objetivo. Crédito: Shirazi y Jin.

Investigadores de la Universidad de Surrey han desarrollado recientemente algoritmos autoorganizados inspirados en la morfogénesis biológica que pueden generar formaciones para equipos de múltiples robots, adaptándose al entorno en el que se están moviendo. Su reciente estudio, presentado en IEEE Transactions on Cognitive … evelopmental Systems, fue financiado en parte por el programa FP7 de la Comisión Europea.

«Esta investigación se remonta a mi trabajo anterior sobre robótica morfogenética que aplica los principios genéticos y celulares que subyacen a la morfogénesis biológica a la autoorganización de sistemas colectivos, como enjambres de robots», profesor Yaochu Jin, presidente distinguido de la Universidad de Surrey e investigador principal en el estudio, le dijo a TechXplore. «Nuestra idea principal era construir una metáfora entre las células en organismos multicelulares y robots, incluidos los módulos para robots modulares reconfigurables».

La principal ventaja de utilizar los principios morfológicos observados en la naturaleza para generar un comportamiento colectivo del robot es que estos principios permiten que los robots se autoorganicen de una manera ‘guiada’, ‘predecible’ o ‘controlable’. No obstante, los sistemas autoorganizados (es decir, sistemas sin control centralizado) también suelen tener una serie de limitaciones.

Por ejemplo, definir reglas de interacción local para generar un comportamiento grupal deseado en estos sistemas puede ser un gran desafío. En otras palabras, es difícil predecir y controlar el comportamiento global de los sistemas cuando se les da un conjunto de reglas locales definidas.

En su trabajo, Jin y sus colegas trataron de superar esta limitación mediante el uso de robots simplistas que son bastante básicos y no son capaces de auto-localizarse. La aplicación de principios morfológicos a estos robots ‘minimalistas’ podría permitir comportamientos grupales más efectivos, como el entorno del objetivo o las formaciones de equipo.

«La principal diferencia entre nuestro trabajo reciente y estudios anteriores es que utilizamos robots muy simplistas (por ejemplo, los kilobots que usamos en nuestros experimentos) que no tienen capacidades de auto-localización y orientación», dijo Jin.

En el desarrollo biológico, las células son guiadas a una posición deseable por un tipo de químico llamado morfógenos, o más específicamente, gradientes de morfógenos (es decir, el cambio en la concentración de morfógenos en el cuerpo de un animal). Los gradientes de morfógeno pueden estar predefinidos, como lo están, por ejemplo, en el útero (es decir, morfógenos maternos) o establecidos a través de lo que se conoce como « desarrollo morfológico ».


En su estudio, Jin y sus colegas se inspiraron en un proceso llamado morfogénesis biológica, a través del cual las células generan morfógenos a medida que se desarrolla un organismo. Mientras que en la naturaleza estos morfógenos se utilizan para guiar a las células a ubicaciones específicas, los investigadores intentaron replicar este principio para guiar a los robots y dar forma a sus comportamientos grupales.

Crédito: Shirazi y Jin.

«Durante la autoorganización, los objetivos y los robots pueden generar morfógenos de borde que pueden ser detectados por los robots vecinos (dentro del rango de detección de los robots)», dijo Jin. «Los robots reciben información que simula morfógenos de sus robots vecinos y también transmiten dicha información a los robots vecinos, simulando el proceso de reacción y difusión de los morfógenos biológicos».

En sus experimentos, los investigadores asumieron que los robots solo pueden detectar objetos (por ejemplo, objetivos u otros robots) dentro de su rango de detección. Los robots que usaban, llamados kilobots, no poseían ninguna capacidad de autoorganización y orientación.

Los investigadores reprodujeron los principios morfogenéticos observados en la naturaleza mediante el uso del gradiente (es decir, la diferencia en la concentración) de ‘morfógenos’ artificiales para guiar los movimientos de múltiples robots, de modo que alcanzaron efectivamente un destino deseado y produjeron un comportamiento grupal específico. En una serie de pruebas preliminares, su red jerárquica reguladora de genes (H-GRN) permitió a los robots moverse de forma autónoma hacia un destino que no estaba predefinido, rodeando objetivos o formando una forma específica.

«Descubrimos que al aprender de la morfogénesis biológica, los robots simplistas sin capacidad de auto-localización (es decir, la capacidad de determinar sus propias coordenadas en un entorno dado), como los kilobots, pueden rodear de manera uniforme objetivos móviles o estacionarios de una manera autoorganizada «, Dijo Jin. «La mayoría de los enfoques desarrollados previamente para producir comportamientos colaborativos de robots, por otro lado, están diseñados para robots que conocen su propia posición».

La nueva red jerárquica reguladora de genes (H-GRN) desarrollada por este equipo de investigadores tiene varias ventajas sobre otros métodos existentes para producir comportamientos de colaboración en robots. Su principal ventaja es que puede usarse para dar forma al comportamiento de cientos o incluso miles de robots, lo que les permite completar tareas de seguimiento o de seguimiento del objetivo sin control centralizado y sin ninguna información previa sobre los objetivos.

En el futuro, el algoritmo desarrollado por Jin y sus colegas podría mejorar la cooperación del robot en tareas que requieren comportamientos más complejos y que no pueden lograrse con un solo tipo de robots, especialmente en situaciones que involucran una interacción humano-robot sustancial. Los investigadores ahora planean investigar el potencial de sus técnicas para abordar problemas del mundo real, por ejemplo, en misiones destinadas a detectar la contaminación de los océanos, rastrear fugas de gases peligrosos o identificar incendios en grandes bosques. Sus algoritmos también podrían usarse potencialmente para generar formaciones grupales para el vuelo de microsatélites o enjambres de UAV.

«En nuestros futuros estudios, vamos a desarrollar sistemas heterogéneos de autoorganización en los que hay diferentes clases de robots, por ejemplo, algunos de ellos pueden tener capacidades más avanzadas, algunos más básicos y otros también pueden comunicarse con usuarios humanos «, dijo Jin. «Esto debería permitirnos generar comportamientos colectivos más potentes, altamente robustos, pero altamente controlables».


Explore más

Un marco para la asignación adaptativa de tareas durante las misiones de varios robots


Más información:
Ataollah Ramezan Shirazi y cols. Gradientes de morfógeno regulados para el entorno del objetivo y la formación de forma adaptativa, Transacciones IEEE en sistemas cognitivos y de desarrollo (2020). DOI: 10.1109 / TCDS.2020.2984087Ataollah Ramezan Shirazi y cols. Una estrategia para el movimiento coordinado autoorganizado de un enjambre de robots minimalistas, Transacciones IEEE sobre temas emergentes en inteligencia computacional (2017) DOI: 10.1109 / TETCI.2017.2741505

Hyondong Oh y col. Algoritmos de difusión de morfógenos para el seguimiento y el pastoreo utilizando un enjambre de kilobots, Computación suave (2016) DOI: 10.1007 / s00500-016-2182-2

Yan Meng y col. Un enfoque morfogenético para la formación de formas flexibles y robustas para sistemas robóticos enjambre, Robótica y Sistemas Autónomos (2012) DOI: 10.1016 / j.robot.2012.09.009

Hongliang Guo y col. Un marco morfogenético para la formación de patrones multirobot autoorganizados y la cobertura de límites, Transacciones de ACM en sistemas autónomos y adaptativos (2012) DOI: 10.1145 / 2168260.2168275

indefinido Yaochu Jin et al. Una red jerárquica reguladora de genes para la formación adaptativa de patrones multirobot, Transacciones IEEE en sistemas, hombre y cibernética, Parte B (cibernética) (2012) DOI: 10.1109 / TSMCB.2011.2178021

Leave a Comment!