Ученые МГУ учат роботов двигаться подобно рою пчел

Методы машинного обучения и нейронных сетей для увеличения скорости продвижения группы роботов при сохранении ее структуры предложили использовать сотрудники кафедры нелинейных динамических систем и процессов управления факультета Вычислительная математика и кибернетика (ВМК) МГУ в рамках проекта Научно-образовательной школы (НОШ) МГУ «Мозг, когнитивные системы, искусственный интеллект», 23 июня сообщает пресс-служба МГУ.

В настоящее время развитие робототехники привело к заметному росту аппаратных и программных возможностей каждого отдельного робота, что, соответственно, повысило его функционал. Поэтому перед робототехниками встала следующая задача — создание из нескольких роботов так называемых мультиагентных групп, иначе называемых роем.

Для решения такой задачи чаще всего выбираются модели, основанные на роевой структуре, в которой агенты-роботы собираются в формации, напоминающие рой пчел.

Предложенные ранее Карлом Рейнольдсом три принципа построения канонической модели движения формации роботов таковы: отталкивание, позволяющее роботам не сталкиваться друг с другом; выравнивание скорости, обеспечивающее поддержание равномерного движения роя; и притяжение, отвечающее за соблюдение агентами некоего построения, чтобы группа не развалилась.

При этом некоторые задачи требуют выделения в группе лидера, который должен повести ее за собой. Во многих ситуациях при движении роя могут возникать трудности, например, при необходимости резкого поворота на большой скорости, обхода препятствий, особенно движущихся.

Профессор кафедры нелинейных динамических систем и процессов управления ВМК МГУ Александр Ильин рассказал о задаче, которую поставили перед собой исследователи:

«Наша идея состоит в том, чтобы „научить“ роботов сохранять строй и наиболее эффективно обходить любые препятствия (выпуклые, невыпуклые и подвижные). Было выдвинуто предложение использовать методы машинного обучения и нейронных сетей, чтобы увеличить скорость продвижения группы с сохранением ее структуры. Цель — минимизировать колебание определенного нами объема группы. Здесь под объемом мы определили пространство, которое заключено между агентами, находящимися на краю группы».

На первом этапе роботы обучаются взаимодействовать друг с другом под руководством условного координационного центра, где собирается информация о перемещениях, вводятся корректировки сил притяжения-отталкивания роботов, в результате формируется некая эталонная модель взаимодействия.

На следующем этапе эту модель встраивают в каждого робота, а всей группе дается команда переместиться в заданную точку. После чего рой отправляется в «свободное плавание».

Согласно выдвинутой учеными гипотезе, роботы, взаимодействуя только с членами группы и окружающей средой, научатся сохранять требуемый объем роя и достигать цели в минимальное время.

«Такие задачи очень актуальны, потому что являются тем необходимым фундаментом, на котором можно решать какие-то более комплексные и сложные задачи. Хотелось бы, чтобы группа могла состоять из абсолютно разного типа роботов, которые коллективно решали бы, например, задачи, связанные со строительством объектов, тушением пожаров, сборкой каких-то механизмов. Однако, прежде чем просить роботов строить, нужно научить их уверенно выполнять базовые вещи и находить оптимальные решения», — пояснил аспирант кафедры нелинейных динамических систем и процессов управления ВМК МГУ Руслан Бегишев.

Результаты исследования ученые представили на Всероссийской конференции «Ломоносовские чтения-2023» в докладе «Управление роем роботов в условиях неопределенности».