Tesis:
Response Threshold Models, Stochastic Learning Automata and Ant Colony Optimization-based Decentralized Self-Coordination Algorithms for Heterogeneous Multi-Tasks Distribution in Multi-Robot Systems.
- Autor: QUIÑONEZ CARRILLO, Alma Yadira
- Título: Response Threshold Models, Stochastic Learning Automata and Ant Colony Optimization-based Decentralized Self-Coordination Algorithms for Heterogeneous Multi-Tasks Distribution in Multi-Robot Systems.
- Fecha: 2013
- Materia: Sin materia definida
- Escuela: FACULTAD DE INFORMATICA
- Departamentos: INTELIGENCIA ARTIFICIAL
- Acceso electrónico: http://oa.upm.es/14922/
- Director/a 1º: LOPE ASIAIN, Javier de
- Director/a 2º: MARAVALL GOMEZ-ALLENDE, Darío
- Resumen: En las últimas décadas, ha habido un interés creciente en los sistemas compuestos por varios robots móviles autónomos, y como resultado, ha surgido una cantidad sustancial de desarrollo en el campo de la inteligencia artificial, especialmente en la robótica. Hay varios estudios en la literatura por parte de algunos investigadores de la comunidad científica que se centran en la creación de máquinas inteligentes y dispositivos capaces de imitar las funciones y los movimientos de los seres vivos. En los sistemas multi-robot (MRS) a menudo pueden tratar con tareas que son difíciles, por no decir imposibles, de realizar por un solo robot. En el contexto de los MRS, uno de los principales retos es la necesidad de controlar, coordinar y sincronizar el funcionamiento de múltiples robots para realizar una tarea específica. Esto requiere el desarrollo de nuevas estrategias y métodos que permitan obtener el comportamiento deseado del sistema de una manera formal y concisa. Esta tesis tiene como objetivo el estudio de la coordinación de sistemas multi-robot, en particular, aborda el problema de la distribución de múltiples tareas heterogéneas. El principal interés por este tipo de sistemas es comprender cómo a partir de reglas sencillas inspiradas en la división del trabajo en los insectos sociales, un grupo de robots pueden realizar tareas de una manera organizada y coordinada. Estamos interesados principalmente en soluciones verdaderamente distribuidas o descentralizadas en el que los propios robots, de forma autónoma y de manera individual, seleccionan una tarea particular de tal modo que todas las tareas se distribuyan de manera óptima. En general, para realizar la distribución de múltiples tareas entre un equipo de robots, tienen que sincronizar sus acciones e intercambiar información. Bajo este enfoque se puede hablar de la selección de múltiples tareas en lugar de la asignación de múltiples tareas, es decir, cómo los agentes o robots seleccionan las tareas en lugar de ser asignados a una tarea por un controlador central. El elemento fundamental en estos algoritmos es la estimación de los estímulos y la actualización adaptativa de los umbrales. Esto significa que cada robot realiza dicha estimación de forma local dependiendo de la carga o el número de tareas pendientes por ejecutar. Además, es muy interesante la evaluación de los resultados en función de cada enfoque comparando los resultados obtenidos mediante la introducción de ruido en el número de cargas pendientes para simular el error del robot en la estimación del número real de tareas pendientes. La principal aportación de esta tesis se puede encontrar en un enfoque basado en la auto-organización y división del trabajo en los insectos sociales. Un escenario experimental para el problema de la coordinación entre múltiples robots, la robustez de los enfoques y la generación de tareas dinámicas han sido presentados y discutidos. Los temas específicos estudiados son los siguientes: Modelos de umbral: se presentan los experimentos realizados para probar el modelo umbral de respuesta con el objetivo de analizar el índice de rendimiento del sistema, para el problema de la distribución de múltiples tareas heterogéneas en los sistemas multi-robot; también se ha introducido ruido aditivo en el número de cargas pendientes y se han generado tareas dinámicas a través del tiempo. Métodos de autómatas de aprendizaje: se describen los experimentos para probar los autómatas de aprendizaje basadas en algoritmos probabilísticos. El enfoque fue probado para evaluar el índice de rendimiento del sistema con ruido aditivo y la generación de tareas dinámicas para el mismo problema de la distribución de múltiples tareas heterogéneas en los sistemas multi-robot. Optimización de colonias de hormigas: el objetivo de los experimentos presentados es poner a prueba el algoritmo de optimización de colonias de hormigas basado en algoritmos deterministas, para lograr la distribución de múltiples tareas heterogéneas en los sistemas multi-robot. En los experimentos realizados se evaluó el índice de rendimiento del sistema mediante la introducción de ruido aditivo y la generación de tareas dinámicas en el tiempo.