211service.com
Pastoreo de robots y otros 'sistemas multiagente'
Escribir un programa para controlar un solo robot autónomo que navega en un entorno incierto con un enlace de comunicación errático es bastante difícil; escribir uno para varios robots que pueden o no tener que trabajar en conjunto, dependiendo de la tarea, es aún más difícil.
Como consecuencia, los ingenieros que diseñan programas de control para sistemas multiagente, ya sean equipos de robots o redes de dispositivos con diferentes funciones, generalmente se han restringido a casos especiales, donde se puede asumir información confiable sobre el entorno o una tarea colaborativa relativamente simple. especificado de antemano.
Este mes de mayo, en la Conferencia Internacional sobre Agentes Autónomos y Sistemas Multiagente, investigadores del MIT Laboratorio de Informática e Inteligencia Artificial (CSAIL) presentará un nuevo sistema que une los programas de control existentes para permitir que los sistemas de agentes múltiples colaboren de formas mucho más complejas. El sistema tiene en cuenta la incertidumbre (las probabilidades, por ejemplo, de que se caiga un enlace de comunicación o de que un algoritmo en particular lleve inadvertidamente a un robot a un callejón sin salida) y automáticamente planea en torno a él.
Para pequeñas tareas colaborativas, el sistema puede garantizar que su combinación de programas es óptima, que dará los mejores resultados posibles, dada la incertidumbre del entorno y las limitaciones de los propios programas.
Trabajando junto con Jon How, el profesor de aeronáutica y astronáutica Richard Cockburn Maclaurin, y su alumno Chris Maynor, los investigadores están probando actualmente su sistema en una simulación de una aplicación de almacenamiento, donde se requeriría que equipos de robots recuperen objetos arbitrarios de indeterminados. ubicaciones, colaborando según sea necesario para transportar cargas pesadas. Las simulaciones involucran pequeños grupos de iRobot Creates, robots programables que tienen el mismo chasis que la aspiradora Roomba.
Duda razonable
En los sistemas [multiagente], en general, en el mundo real, es muy difícil para ellos comunicarse de manera efectiva, dice Christopher Amato, un postdoctorado en CSAIL y primer autor del nuevo artículo. Si tiene una cámara, es imposible que la cámara transmita constantemente toda su información a todas las demás cámaras. De manera similar, los robots están en redes que son imperfectas, por lo que lleva algo de tiempo enviar mensajes a otros robots y tal vez no puedan comunicarse en ciertas situaciones alrededor de los obstáculos.
Es posible que un agente ni siquiera tenga información perfecta sobre su propia ubicación, dice Amato, en qué pasillo del almacén se encuentra, por ejemplo. Además, cuando intentas tomar una decisión, existe cierta incertidumbre sobre cómo se desarrollará, dice. Quizás intentas moverte en una dirección determinada y hay viento o patinar las ruedas, o hay incertidumbre en las redes debido a la pérdida de paquetes. Entonces, en estos dominios del mundo real con todo este ruido de comunicación e incertidumbre sobre lo que está sucediendo, es difícil tomar decisiones.
El nuevo sistema MIT, que Amato desarrolló con los coautores Leslie Kaelbling, profesora de Ingeniería y Ciencias de la Computación de Panasonic, y George Konidaris, un becario postdoctorado, requiere tres aportaciones. Uno es un conjunto de algoritmos de control de bajo nivel, a los que los investigadores del MIT se refieren como macroacciones, que pueden regir los comportamientos de los agentes de forma colectiva o individual. El segundo es un conjunto de estadísticas sobre la ejecución de esos programas en un entorno particular. Y el tercero es un esquema para valorar diferentes resultados: la realización de una tarea acumula una valoración positiva alta, pero el consumo de energía acumula una valoración negativa.
Escuela de golpes duros
Amato prevé que las estadísticas podrían recopilarse automáticamente, simplemente dejando que un sistema multiagente funcione durante un tiempo, ya sea en el mundo real o en simulaciones. En la aplicación de almacenamiento, por ejemplo, los robots se dejarían ejecutar varias macro-acciones y el sistema recopilaría datos sobre los resultados. Los robots que intentan moverse del punto A al punto B dentro del almacén pueden terminar en un callejón sin salida en algún porcentaje del tiempo, y su ancho de banda de comunicación puede disminuir en otro porcentaje del tiempo; esos porcentajes pueden variar para los robots que se mueven del punto B al punto C.
El sistema MIT toma estas entradas y luego decide cuál es la mejor manera de combinar las macroacciones para maximizar la función de valor del sistema. Podría usar todas las macro-acciones; podría usar solo un pequeño subconjunto. Y podría usarlos de formas en las que un diseñador humano no habría pensado.
Suponga, por ejemplo, que cada robot tiene un pequeño banco de luces de colores que puede usar para comunicarse con sus contrapartes si sus enlaces inalámbricos no funcionan. Lo que sucede típicamente es que el programador decide que la luz roja significa ir a esta habitación y ayudar a alguien, la luz verde significa ir a esa habitación y ayudar a alguien, dice Amato. En nuestro caso, podemos simplemente decir que hay tres luces, y el algoritmo escupe si usarlas o no y qué significa cada color.
El trabajo de los investigadores del MIT enmarca el problema del control de agentes múltiples como algo llamado proceso de decisión de Markov parcialmente observable, o POMDP. Los POMDP, y especialmente los Dec-POMDP, que son la versión descentralizada, son básicamente intratables para problemas reales de múltiples robots porque son tan complejos y computacionalmente costosos de resolver que simplemente explotan cuando aumenta la cantidad de robots, dice Nora Ayanian, asistente profesor de informática en la Universidad del Sur de California que se especializa en sistemas multirobot. Por tanto, no son muy populares en el mundo de los robots múltiples.
Normalmente, cuando utiliza estos Dec-POMDP, trabaja con un nivel de granularidad muy bajo, explica. Lo interesante de este documento es que utilizan estas herramientas muy complejas y reducen la resolución.
Esto definitivamente hará que estos POMDP estén en el radar de las personas con sistemas de robots múltiples, agrega Ayanian. Es algo que realmente lo hace mucho más capaz de aplicarse a problemas complejos.