211service.com
Robot da pastore e altri 'sistemi multiagente'
Scrivere un programma per controllare un singolo robot autonomo che naviga in un ambiente incerto con un collegamento di comunicazione irregolare è già abbastanza difficile; scriverne uno per più robot che potrebbero o meno dover lavorare in tandem, a seconda del compito, è ancora più difficile.
Di conseguenza, gli ingegneri che progettano programmi di controllo per sistemi multiagente, siano essi team di robot o reti di dispositivi con funzioni diverse, si sono generalmente limitati a casi speciali, in cui si possono assumere informazioni affidabili sull'ambiente o un compito collaborativo relativamente semplice può essere chiaramente specificato in anticipo.
Questo maggio, alla Conferenza internazionale sugli agenti autonomi e i sistemi multiagente, i ricercatori del MIT Laboratorio di informatica e intelligenza artificiale (CSAIL) presenterà un nuovo sistema che unisce i programmi di controllo esistenti per consentire ai sistemi multiagente di collaborare in modi molto più complessi. Il sistema tiene conto dell'incertezza - le probabilità, ad esempio, che un collegamento di comunicazione si interrompa, o che un particolare algoritmo porti inavvertitamente un robot in un vicolo cieco - e pianifica automaticamente intorno ad esso.
Per piccole attività collaborative, il sistema può garantire che la sua combinazione di programmi sia ottimale, che produrrà i migliori risultati possibili, data l'incertezza dell'ambiente e i limiti dei programmi stessi.
Lavorando insieme a Jon How, il professore di aeronautica e astronautica Richard Cockburn Maclaurin, e il suo studente Chris Maynor, i ricercatori stanno attualmente testando il loro sistema in una simulazione di un'applicazione di stoccaggio, in cui squadre di robot sarebbero tenute a recuperare oggetti arbitrari da oggetti indeterminati ubicazioni, collaborando secondo necessità per il trasporto di carichi pesanti. Le simulazioni coinvolgono piccoli gruppi di iRobot Creates, robot programmabili che hanno lo stesso chassis dell'aspirapolvere Roomba.
Ragionevole dubbio
Nei sistemi [multiagente], in generale, nel mondo reale, è molto difficile per loro comunicare in modo efficace, afferma Christopher Amato, postdoc in CSAIL e primo autore del nuovo documento. Se hai una videocamera, è impossibile che la videocamera trasmetta costantemente tutte le sue informazioni a tutte le altre videocamere. Allo stesso modo, i robot si trovano su reti imperfette, quindi ci vuole un po' di tempo per inviare messaggi ad altri robot e forse non possono comunicare in determinate situazioni intorno agli ostacoli.
Un agente potrebbe non avere nemmeno informazioni perfette sulla propria posizione, dice Amato, ad esempio in quale corsia del magazzino si trova effettivamente. Inoltre, quando provi a prendere una decisione, c'è una certa incertezza su come si svolgerà, dice. Forse provi a muoverti in una certa direzione e c'è vento o slittamento delle ruote o c'è incertezza tra le reti a causa della perdita di pacchetti. Quindi in questi domini del mondo reale con tutto questo rumore di comunicazione e incertezza su ciò che sta accadendo, è difficile prendere decisioni.
Il nuovo sistema del MIT, che Amato ha sviluppato con i co-autori Leslie Kaelbling, professore di informatica e ingegneria della Panasonic, e George Konidaris, un borsista postdoc, richiede tre input. Uno è un insieme di algoritmi di controllo di basso livello - che i ricercatori del MIT chiamano macro-azioni - che possono governare i comportamenti degli agenti collettivamente o individualmente. Il secondo è un insieme di statistiche sull'esecuzione di quei programmi in un particolare ambiente. E il terzo è uno schema per valutare risultati diversi: il completamento di un'attività comporta una valutazione positiva elevata, ma il consumo di energia comporta una valutazione negativa.
Scuola di colpi duri
Amato prevede che le statistiche possano essere raccolte automaticamente, semplicemente lasciando che un sistema multiagente funzioni per un po', sia nel mondo reale che nelle simulazioni. Nell'applicazione di magazzino, ad esempio, i robot sarebbero lasciati eseguire varie macro-azioni e il sistema raccoglierebbe dati sui risultati. I robot che cercano di spostarsi dal punto A al punto B all'interno del magazzino potrebbero finire in un vicolo cieco per una certa percentuale del tempo e la loro larghezza di banda di comunicazione potrebbe diminuire per un'altra percentuale del tempo; tali percentuali potrebbero variare per i robot che si spostano dal punto B al punto C.
Il sistema MIT prende questi input e poi decide come combinare al meglio le macro-azioni per massimizzare la funzione di valore del sistema. Potrebbe utilizzare tutte le macro-azioni; potrebbe usare solo un piccolo sottoinsieme. E potrebbe usarli in modi a cui un designer umano non avrebbe pensato.
Supponiamo, ad esempio, che ogni robot abbia un piccolo banco di luci colorate che può usare per comunicare con le sue controparti se i loro collegamenti wireless non funzionano. Quello che succede di solito è che il programmatore decide che la luce rossa significa andare in questa stanza e aiutare qualcuno, la luce verde significa andare in quella stanza e aiutare qualcuno, dice Amato. Nel nostro caso, possiamo solo dire che ci sono tre luci e l'algoritmo sputa se usarle o meno e cosa significa ogni colore.
Il lavoro dei ricercatori del MIT inquadra il problema del controllo multiagente come qualcosa chiamato processo decisionale di Markov parzialmente osservabile, o POMDP. I POMDP, e in particolare i Dec-POMDP, che sono la versione decentralizzata, sono fondamentalmente intrattabili per i veri problemi multirobot perché sono così complessi e computazionalmente costosi da risolvere che esplodono quando si aumenta il numero di robot, afferma Nora Ayanian, un'assistente professore di informatica alla University of Southern California, specializzato in sistemi multirobot. Quindi non sono molto popolari nel mondo dei multirobot.
Normalmente, quando utilizzi questi Dec-POMDP, lavori a un livello di granularità molto basso, spiega. La cosa interessante di questo documento è che prendono questi strumenti molto complessi e diminuiscono la risoluzione.
Questo porterà sicuramente questi POMDP sul radar delle persone con sistemi multirobot, aggiunge Ayanian. È qualcosa che lo rende davvero molto più capace di essere applicato a problemi complessi.