Представители научно-образовательной школы «Мозг, когнитивные системы, искусственный интеллект» предложили использовать методы машинного обучения и нейронных сетей, чтобы увеличить скорость продвижения группы роботов с сохранением ее структуры. Результаты исследования были смоделированы в среде Matlab.

В современном мире робототехника развивается стремительными темпами, поэтому возникает множество новых и интересных задач. Развитие компонентной базы привело к тому, что аппаратные и программные возможности каждого отдельного робота и, как следствие, его функционал, заметно выросли. В связи с этим большой интерес в настоящее время представляют так называемые мультиагентные группы, или рои, роботов.

Чаще всего рассматриваются модели, основанные на так называемой роевой структуре. В ней агенты (роботы) собираются в формации, напоминающие, например, рой пчёл. Каноническая модель была предложена Карлом Рейнольдсом на основе трех принципов: отталкивания, позволяющего роботам не сталкиваться друг с другом, выравнивания скорости, способствующего поддержанию равномерного движения роя, и притяжения, отвечающего за то, чтобы агенты соблюдали некоторое построение, и группа не развалилась. Бывают задачи, которые требуют выделения в группе лидера, который поведет ее за собой. Во многих ситуациях могут возникать трудности как при резких поворотах роя на большой скорости, а также при обходе препятствий, особенно динамических.

«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 определённого нами объёма группы. Здесь под объемом мы определили пространство, которое заключено между агентами, находящимися на краю группы», – рассказал профессор кафедры нелинейных динамических систем и процессов управления факультета ВМК МГУ Александр Ильин.

В начале роботы обучаются взаимодействовать друг с другом под наблюдением одного условного координационного центра. В этом центре собирается информация о перемещениях, вводятся корректировки в силы притяжения-отталкивания агентов, создаётся некая эталонная модель взаимодействия. Далее данная модель встраивается учеными в каждого робота, всей группе ставится задача перемещения в какую-то целевую точку, и коллектив отправляется в «свободное плавание». По выдвинутой учеными гипотезе ожидается, что роботы, взаимодействуя только с членами группы и окружающей средой, научатся сохранять требуемый размер формации и достигать цели за 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», – добавил аспирант кафедры нелинейных динамических систем и процессов управления факультета ВМК МГУ Руслан Бегишев.

Результаты исследования были представлены на Всероссийской конференции «Ломоносовские чтения-2023».