Обнаружение нарушителя агентами роевых робототехнических систем в условиях недетерминированной среды функционирования

М. М. Гурчинский, Ф. Б. Тебуева

Аннотация


В статье представлен обзор исследования роевых робототехнических систем (РРТС), используемых в составе системы охраны периметра объектов с протяженными границами для обнаружения нарушителя. Целью исследования является повышение оперативности обнаружения нарушителя агентами РРТС, используемых в составе системы охраны периметра объектов с протяженными границами, в условиях изменяющегося множества задач в ходе поиска нарушителя и фиксации его местоположения до прибытия группы реагирования на основе роевых методов распределения и планирования выполнения задач с использованием искусственных нейронных сетей и распределенного реестра. Предмет исследования – научно-методический аппарат роевого распределения и планирования выполнения задач агентами роевых робототехнических систем в условиях изменяющегося множества задач в ходе поиска нарушителя и фиксации его местоположения до прибытия группы реагирования. Разрабатывается научно-методический аппарат роевого распределения и планирования выполнения задач агентами РРТС, обеспечивающий повышение оперативности обнаружения нарушителя агентами РРТС, функционирующих в составе системы охраны периметра объектов с протяженными границами, при динамическом множестве задач в рамках поиска нарушителя и фиксации его местоположения до прибытия группы реагирования. Проведена декомпозиция общей задачи и определены частные задачи исследования: 1. Разработать модели описания процесса распределения и планирования выполнения задач между агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами. 2. Разработать метод распределения и планирования выполнения динамического множества задач агентами РРТС для повышения оперативности обнаружения нарушителя на территории объекта с протяженными границами. 3. Разработать метод трансферного обучения агентов РРТС для обеспечения масштабируемости по критериям количества агентов и протяженности границ территории охраняемого объекта путем миграции знаний об успешных вариантах распределения и планирования выполнения динамического множества задач. 4. Разработать метод синтеза системы распределения и планирования выполнения динамического множества задач агентами РРТС на основе коллективного принятия решения, обеспечивающего повышение оперативности обнаружения нарушителя на территории объекта с протяженными границами. Для решения этих задач использованы методы системного анализа, оптимизации, математический аппарат искусственных нейронных сетей и технология распределенного реестра. Моделирование и вычислительный эксперимент проведены с использованием языка программирования высокого уровня Python, а также с применением симулятора мультиагентных робототехнических систем ARGoS.

Ключевые слова


роевые робототехнические системы; распределение и планирование выполнения задач; трансферное обучение агентов роевых робототехнических систем для миграции знаний

Полный текст:

PDF

Литература


Миронов К. В. Transport-by-Throwing – робототехнический способ перемещения предметов перебросом: обсуждение научно-технической задачи // СИИТ. 2024. Т. 6. № 1(16). С. 43-58. EDN QGFZBW. [[ Mironov K. V. “Transport-by-Throwing — a robotic method of moving objects by throwing discussion of the scientific and technical problem” // SIIT. 2024. Vol. 6, No. 1(16), pp. 43 58. EDN QGFZBW. (In Russian).]]

Муслимов Т. З. Методы и алгоритмы группового управления беспилотными летательными аппаратами самолетного типа // СИИТ. 2024. Т. 6. № 1(16). С. 3-15. EDN HOTUZU. [[ Muslimov T. Z. “Methods and algorithms for group control of aircraft-type unmanned aerial vehicles” // SIIT. 2024. Vol. 6, No. 1(16), pp. 3–15. EDN HOTUZU. (In Russian).]]

Петренко В. И., Тебуева Ф. Б., Павлов А. С., Гурчинский М. М. Модели описания и критерии оценки эффективности распределения и планирования задач в роевых робототехнических системах // Известия Кабардино-Балкарского научного центра РАН. 2022. № 5(109). С. 58-72. DOI 10.35330/1991-6639-2022-5-109-58-72. EDN HYMDLU. [[ Petrenko V. I., Tebueva F. B., Pavlov A. S., Gurchinsky M. M. “Models for describing and criteria for assessing the efficiency of task distribution and planning in swarm robotic systems” // Bulletin of the Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences. 2022. No. 5(109), pp. 58-72. DOI 10.35330/1991-6639-2022-5-109-58-72. EDN HYMDLU. (In Russian).]]

Петренко В. И., Тебуева Ф. Б., Павлов А. С., Гурчинский М. М. Метод распределения и планирования выполнения задач агентами роевых робототехнических систем в условиях недетерминированной среды // Прикаспийский журнал: управление и высокие технологии. 2022. № 3(59). С. 25-43. DOI 10.54398/20741707_2022_3_25. EDN AFNZHE. [[ Petrenko V. I., Tebueva F. B., Pavlov A. S., Gurchinsky M. M. “Method of distribution and planning of tasks execution by agents of swarm robotic systems in conditions of non-deterministic environment” // Caspian Journal: Management and High Technologies. 2022. No. 3(59), pp. 25-43. DOI 10.54398/20741707_2022_3_25. EDN AFNZHE. (In Russian).]]

Ryabtcsev S., Gurchinskiy M., Tebueva F., Struchkov I., Petrenko V., Makarenko S. Feature importance evaluation method for multi-agent deep reinforcement learning in advanced robotics task allocation // Proceedings of International Conference on Artificial Life and Robotics: 27th. Virtual. Online. January 20–23, 2022. Virtual. Online. 2022. P. 695-698. EDN OYEVIV.

Петренко В. И., Тебуева Ф. Б., Гурчинский М. М., Павлов А. С. Алгоритм планирования последовательности выполнения задач агентами роевых робототехнических систем в условиях неполноты информации // Развитие современной науки и технологий в условиях трансформационных процессов: Сб. мат-лов V Международной научно-практической конференции, Москва, 23 сентября 2022 г. СПб.: Печатный цех, 2022. С. 160-169. EDN ZGUMDI. [[ Petrenko V. I., Tebueva F. B., Gurchinsky M. M., Pavlov A. S. “Algorithm for planning the sequence of task execution by agents of swarm robotic systems in conditions of incomplete information” // Development of Modern Science and Technology in the Context of Transformation Processes: Collection of materials of the V International scientific and practical conference, Moscow, September 23, 2022. St. Petersburg: Printing Shop, 2022, pp. 160-169. EDN ZGUMDI. (In Russian).]]

Petrenko V., Gurchinskiy M. Multi-agent deep reinforcement learning concept for mobile cyber-physical systems control // E3S Web of Conferences. Almaty. May 20–21, 2021. Almaty, 2021. DOI 10.1051/e3sconf/202127001036. EDN CHMBYY.

Петренко В. И., Тебуева Ф. Б., Гурчинский М. М., Антонов В. О. Метод управления робототехническим комплексом на основе глубокого обучения с подкреплением рекуррентных нейронных сетей для автоматического сбора тепличных культур // Информационные технологии интеллектуальной поддержки принятия решений (ITTDS'2020): Труды VIII Всероссийской научной конференции (с приглашением зарубежных ученых). В 2-х тт. Уфа, 06-09 октября 2020 г. Т. 2. Уфа: УГАТУ, 2020. С. 78-85. EDN MSGHTL. [[ Etrenko V. I., Tebueva F. B., Gurchinsky M. M., Antonov V. O. “Method of controlling a robotic complex based on deep learning with reinforcement of recurrent neural networks for automatic harvesting of greenhouse crops” // Information Technologies for Intelligent Decision Support (ITTDS'2020): Proceedings of the VIII All-Russian scientific conference (with invitation of foreign scientists). In 2 volumes., Ufa, October 06–09, 2020. Volume 2. Ufa: Ufa State Aviation Technical University, 2020. Pp. 78–85. EDN MSGHTL. (In Russian).]]

Петренко В. И., Тебуева Ф. Б., Гурчинский М. М., Свистунов Н. Ю., Павлов А. С. Алгоритм машинного обучения системы управления антропоморфными манипуляторами // СИИТ. 2021. Т. 3. № 2(6). С. 35-43. DOI 10.54708/26585014_2021_32635. EDN USZJSM. [[ Petrenko V. I., Tebueva F. B., Gurchinsky M. M., Svistunov N. Yu., Pavlov A. S. “Machine learning algorithm for the control system of anthropomorphic manipulators” // SIIT. 2021. Vol. 3, No. 2(6). P. 35-43. DOI 10.54708/26585014_2021_32635. EDN USZJSM. (In Russian).]]

Гурчинский М. М. Метод трансферного обучения агентов роевых робототехнических систем для миграции знаний об успешных вариантах распределения и планирования выполнения задач // Электронный сетевой политематический журнал «Научные труды КубГТУ». 2022. № 5. С. 78-91. EDN NTJHAT. [[ Gurchinsky M. M. “Method of transfer learning of agents of swarm robotic systems for migration of knowledge about successful options for distribution and planning of tasks” // Electronic network polythematic journal "Scientific Works of KubSTU". 2022. No. 5, pp. 78-91. EDN NTJHAT. (In Russian).]]

Петренко В. И., Тебуева Ф. Б., Павлов А. С., Рябцев С. С., Гурчинский М. М. Система распределения и планирования выполнения задач агентами роевых робототехнических систем на основе коллективного принятия решения // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2023. № 1. С. 114-127. DOI 10.17308/sait/1995-5499/2023/1/114-127. EDN MJVQSO. [[ Petrenko V. I., Tebueva F. B., Pavlov A. S., Ryabtsev S. S., Gurchinsky M. M. “System of distribution and planning of tasks execution by agents of swarm robotic systems based on collective decision making” // Bulletin of Voronezh State University. Series: Systems analysis and information technologies. 2023. No. 1, pp. 114 127. DOI 10.17308/sait/1995-5499/2023/1/114-127. EDN MJVQSO. (In Russian).]]

Свидетельство о государственной регистрации программы для ЭВМ № 2021668454 Российская Федерация. Программа для распределения задач в группе роботов в условиях информационной недостаточности: № 2021666869: Заявл. 27.10.2021: опубл. 16.11.2021 / В. И. Петренко, Ф. Б. Тебуева, М. М. Гурчинский, В. О. Антонов, А. С. Павлов, С. С. Рябцев; заявитель Северо-Кавказский федеральный университет. EDN RUYQUL. [[ Certificate of state registration of computer program No. 2021668454 Russian Federation. Program for distributing tasks in a group of robots under conditions of information deficiency: No. 2021666869: declared. 27.10.2021: published. 16.11.2021 / V. I. Petrenko, F. B. Tebueva, M. M. Gurchinsky, V. O. Antonov, A. S. Pavlov, S. S. Ryabtsev; applicant North Caucasian Federal University. EDN RUYQUL. (In Russian).]]

Petrenko V. I., Tebueva F. B., Ryabtsev S. S., Gurchinsky M. M., Struchkov I. V. Consensus achievement method for a robotic swarm about the most frequently feature of an environment // IOP Conference Series: Materials Science and Engineering. Krasnoyarsk, Russia. July 31, 2020. Vol. 919. Krasnoyarsk: Institute of Physics and IOP Publishing Limited, 2020. Рp. 42025. DOI 10.1088/1757-899X/919/4/042025. EDN VBOFRJ.


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2024 М. М. Гурчинский, Ф. Б. Тебуева