Russia, Saint-Petersburg, Saint-Petersburg Institute for Informatics and Automation of RAS

E-mail:adil@iias.spb.su

Last years at the area of mechatronics, robotics and artificial intelligence multi-agent technologies and multi-agent robotic systems are actively developed. At this case robots or mechatronic machines are considered as intelligent agents having own databases and knowledge bases and communication channels for information exchange between themselves at global task solving process. Models of virtual space of agents-robots and building principles of one- and multi-agent models of virtual reality are described.

Россия, Санкт-Петербург, Санкт-Петербургский институт информатики и автоматизации РАН

E-mail:adil@iias.spb.su

В последние годы в области мехатроники, робототехники и искусственного интеллекта активно разрабатываются мультиагентные технологии и мультиагентные робототехнические системы. При этом роботы или мехатронные машины рассматриваются как интеллектуальные агенты, имеющие собственные базы данных и знаний и каналы связи для обмена информацией между собой в процессе решения общей задачи. Описываются модели виртуального пространства агентов-роботов и принципы построения одно- и мультиагентных моделей виртуальной реальности

Многие задачи теории мультиагентных робототехнических систем (МАРС) зародились в связи с развитием теории адаптивных и интеллектуальных систем управления и робототехники [1-3]. Это связано с тем, что на практике роботы и другие подвижные мехатронные объекты с элементами искусственного интеллекта редко используются как автономные системы. Обычно они работают совместно с другими роботами и автономными машинами. Человек ставит перед МАРС глобальную цель и формулирует общую задачу в динамической среде с препятствиями. Чтобы решить эту задачу, необходимо разделить её на ряд взаимосвязанных локальных задач и распределить решение локальных задач между агентами, т.е. между роботами и автономными мехатроннными системами. При проектировании интеллектуальных и мультиагентных систем управления важную роль играют модели виртуальной реальности (ВР).

МАРС представляют собой типичный пример сложных мехатронных систем с интеллектуальным управлением и диалоговым интерфейсом между роботами-агентами и машинами-агентами, использующими для достижения общей цели компьютерные каналы связи и современные информационные технологии. Поэтому значительный интерес вызывают общие принципы и конкретные алгоритмы интеллектуального и мультиагентного управления, обеспечивающие кооперацию роботов и машин в процессе решения общей задачи, разрешение возможных конфликтов (столкновений, тупиковых ситуаций и т.п.) между ними и адаптацию к препятствиям в условиях неопределённости на базе моделей ВР.

Будем рассматривать робототехническую систему как коллектив интеллектуальных агентов, связанных компьютерными каналами связи для достижения общей цели. Каждый агент способен самостоятельно решать некоторые локальные задачи и имеет возможность кооперироваться с другими агентами в процессе совместного решения общей задачи. Робот или машина как агент МАРС представляет собой автономную интеллектуальную систему, состоящую из следующих мехатронных компонент [1]:

1. двигательная система (“тело”),

2. сенсорная система (“органы чувств”),

3. системы управления (“мозг”),

4. система коммуникации (“языки и каналы связи”).

Характерными особенностями интеллектуальных агентов являются:

- коллегиальность, т.е. способность к коллективному целенаправленному поведению в интересах решения общей задачи;

- автономность, т.е. способность самостоятельно решать локальные задачи;

- адаптивность, т.е. способность автоматически приспосабливаться к неопределённым условиям в динамической среде;

- активность, т.е. способность к активным действиям ради достижения общих и локальных целей;

- информационная и двигательная мобильность, т.е. способность активно перемещаться и целенаправленно искать и находить информацию, энергию и объекты, необходимые для кооперативного решения общей задачи.

Сочетание описанных способностей позволяет мехатронным агентам достигать своих целей, разрешать конфликты и согласовывать свои действия при коллективном решении общей задачи в изменяющейся среде с препятствиями на основе моделей ВР.

Мультиагентное управление позволяет координировать целенаправленную деятельность автономных агентов, планировать их поведение и взаимодействие, адаптироваться к изменяющейся среде и разрешать конфликты между агентами на стратегическом (супервизорном) уровне управления и коммуникации, т.е. посредством обмена информацией по компьютерным каналам связи. Системы управления (СУ), реализующие такой принцип интеллектуального управления с диалоговым интерфейсом между агентами, будем называть мультиагентными.

Для проектирования мульиагентных СУ могут использоваться методы коллективного поведения автоматов, теория игр, способы кооперативного решения проблем на базе распределённого искусственного интеллекта, теория расписаний, методы оптимального планирования и адаптивного управления. При мультиагентном управлении робототехническими системами каждый робот или машину можно рассматривать как интеллектуальный мехатронный объект с собственной базой данных и знаний, способный адаптироваться к заранее неизвестным или изменяющимся условиям функционирования в среде с препятствиями. Поэтому важное значение в теории мультиагентного управления имеют методы обучения и адаптации как отдельных роботов-агентов на тактическом (локальном) уровне управления, так и МАРС в целом на стратегическом (супервизорном) уровне управления. Некоторые из этих методов подробно описаны в [1,4-6]. Сегодня эти методы и их модификации, использующие модели ВР, позволяют решить следующие задачи интеллектуального управления робототехническими системами:

- оптимальное или адаптивное планирование маршрута движения роботов-агентов и транспортных машин в среде с препятствиями с использованием локальной (сенсорной) или глобальной (супервизорной) информации;

- моделирование в виртуальном пространстве агента окружающей среды и поведения других роботов;

- распознавание в виртуальном пространстве ситуаций и принятие оптимальных решений;

- программирование (интерполяция) и адаптивная коррекция движений агентов по спланированным маршрутам;

- адаптивное управление движением агентов.

Столкновение роботов или транспортных машин рассматривается как конфликт, который может возникнуть при коллективном решении общей задачи. Для разрешения подобных конфликтов агенты должны обмениваться между собой информацией посредством “переговоров” по компьютерным каналам связи.

Принцип действия мультигентных СУ основывается на разделении общей задачи, которую должна выполнить МАРС, на целый ряд взаимосвязанных локальных задач, решение которых возлагается на интеллектуальные СУ отдельных агентов. В результате такой декомпозиции решение общей задачи распределяется между специализированными автономными агентами, образующими при необходимости “рабочие бригады”. Интеллектуальная СУ каждого агента может решить только свою локальную задачу. Однако она не обладает достаточными энергетическими ресурсами и знаниями для решения глобальной задачи. Поэтому интеллектуальные агенты могут решить общую задачу только коллективно.

Каждую из локальных задач может выполнить один или несколько агентов. Для выполнения всех задач мультиагентной СУ нужно синтезировать согласованное расписание деятельности агентов, гарантирующее выполнение общей задачи. При этом должны учитываться ограничения на количество и типы агентов и на их взаимозаменяемость при выполнении конкретных задач.

План распределения задач между агентами будем называть оптимальным, если он гарантирует выполнение МАРС общей задачи за минимальное время. Такой план обеспечивает максимальную производительность МАРС [3]. Для решения задачи оптимального распределения задач между мехатронными агентами целесообразно использовать приближённые алгоритмы и эвристические процедуры. Эти алгоритмы основываются на методе ветвей и границ, позволяющем за конечное число шагов построить бинарное дерево вариантов распределения задач. Чтобы уменьшить число шагов алгоритма и минимизировать сложность дерева вариантов, можно использовать различные критерии локальной оптимальности и экспертные правила, описывающие знания о задаче, хранящиеся в модели ВР.

При проектировании мультиагентных СУ необходимо решить на тактическом и стратегическом уровнях следующие задачи:

1) синтезировать локальные системы интеллектуального управления автономными агентами, использующие локальные модели ВР;

2) синтезировать мультиагентную систему планирования, навигации и управления взаимодействием (коллективным поведением) интеллектуальных мехатронных агенов в МАРС.

Первая задача относится к тактическому уровню локального управления агентами, а вторая - к стратегическому уровню группового управления МАРС. В работах [1,3-5] предложена иерархическая архитектура интеллектуальных СУ агентов-роботов. Для распараллеливания вычислений и обучения подсистем распознавания ситуаций и управления движением роботов в реальном времени разработаны нейронные сети с самоорганизующейся архитектурой [6,7].

Архитектура систем планирования, навигации и управления взаимодействием агентов в МАРС при решении общей задачи имеет распределённый (мультииагентный) характер и иерархическую организацию. Она основана на выделении на верхнем (супервизорном) уровне специального агента-координатора, связанного компьютерными каналами прямой и обратной связи со всеми локальными СУ агентов.

Агент-координатор на основе мультиагентной модели ВР осуществляет декомпозицию общей задачи на локальные задачи, их оптимальное распределение между агентами, организацию коллективного поведения и разрешение конфликтов при решении МАРС общей задачи.

При проектировании мультиагентных СУ могут использоваться нейросетевые архитектуры. Например, в качестве маршрутизатора в компьютерной сети, связывающей локальные СУ агентов, можно использовать нейронные сети Хопфилда. Эти сети обеспечивают кратчайшие маршруты “переговоров” между агентами и параллельную обработку информации при мультиагентном управлении в реальном времени.

Предположим, что каждый агент может двигаться по своему маршруту, удовлетворяющему граничным условиям, причём скорость и ускорение его движения задаются агентом-координатором на супервизорном уровне управления МАРС. Целью агента-координатора и локальных СУ агентов является скорейшее прохождение всех маршрутов без столкновений для выполнения общего задания. Для предотвращения столкновений (конфликтов) агент-координатор может передавать по каналам связи команды о временной остановке агентов или об изменении скорости и ускорения их движения в зависимости от сложившейся ситуации. Эта ситуация оценивается агентом-координатором на основе запросов о текущем состоянии каждого робота, которая характеризуется его координатами и скоростью. Для прогнозирования возможных конфликтов агент-координатор должен знать маршруты и скорости движения роботов на заданное время вперёд или на всём интервале движения. При этом он использует модель ВР и может заранее рассчитать время и место возможных столкновений роботов. Стратегия упреждающего разрешения конфликтов заключается в заблаговременном изменении агентом-координатором скорости движения роботов по спланированным маршрутам.

Однако в действительности агент-координатор обычно использует информацию только о текущем положении и скорости роботов, что ограничивает его возможности по прогнозированию и разрешению конфликтов. В зоне возможного столкновения роботов он может изменить скорость их движения (например, затормозить или остановить робот на какое-то время) с помощью команд, передаваемых по каналам прямой связи в локальные системы управления. Однако такая стратегия разрешения конфликтов может оказаться неразрешимой или нереализуемой.

Другие способы разрешения конфликтов относятся к тактическому уровню. Они основываются на локальных моделях ВР и на обмене информацией о маршруте и скорости движения между локальными СУ роботов через прямые каналы связи (например, радиоканалы) или через агента-коммуникатора с памятью (например, в виде “доски объявлений” или модели ВР), играющего роль посредника для адресной связи и быстрой передачи данных между агентами. При этом подходе каждая локальная СУ берёт на себя дополнительные функции агента-координатора. Она использует описанные выше стратегии разрешения конфликтов для автономного принятия каждым роботом индивидуальных решений, адекватных глобальной ситуации. Это значительно усложняет интеллектуальную СУ каждого робота и может сделать невозможным управление МАРС в реальном времени. Для упрощения СУ роботов в рамках такого подхода можно использовать сенсорную информацию о близости робота-агента по отношению к другим роботам и препятствиям, получаемую, например, с помощью дальномеров и фиксируемую в локальной модели ВР.

Значительный интерес для мультиагентного управления представляют также способы разрешения конфликтов на тактическом уровне, основанные на использовании мультиагентных экспертных правил “дорожного движения” и нейросетевых алгоритмов распознавания дорожных ситуаций в виртуальном пространстве. Эти правила должны быть обязательными для автономных СУ роботов или транспортных машин как агентов. Для локального управления движением роботов и машин с учётом их нелинейной динамики и препятствий можно использовать алгоритмы программного, адаптивного и интеллектуального управления, описанные в [1,4-8], а также нейросетевые алгоритмы, обеспечивающие обучаемость и высокий параллелизм при обработке информации в реальном времени.

Виртуальное пространство (ВП) агента - это пространство геометрических, физических и сенсорных координат предметов (объектов) реального окружающего мира. Каждый предмет представляет собой геометрическое тело в трехмерном реальном пространстве, характеризующееся рядом физических параметров (например, масса или упругость) и сенсорных свойств, связанных с восприятием предмета сенсорной системой агента (цвет, звук, дальность и т. п.). Поэтому моделью предмета в ВП агента является его геометрический образ в локальной декартовой системе координат, его физический образ, а также связанный с ними сенсорный образ в локальной сенсорной системе координат агента. Обычно геометрические образы визуализируются с помощью 2D- или 3D- компьютерной графики, физический образ определяется физическими характеристиками и объективными законами физики, а сенсорные образы определяются и фиксируются сенсорной системой агента в виде результатов наблюдений (измерений) физических свойств предмета агентом, т. е. в форме значений сенсорных координат в ВП агента.

Геометрическая, физическая и сенсорная модели предметов в ВП формируются и хранятся в памяти интеллектуальной СУ агента. Они представляют собой локальную модель ВР. Адекватность этой модели сильно зависит от числа и информативности геометрических, физических и сенсорных координат ВП агента. В частности, она зависит от сенсорной системы агента. Поэтому модели ВР, базирующиеся на геометрических и физических свойствах предметов, а также на их сенсорном отображении, в значительной степени субъективны, т. е. являются агентно-ориентированными.

У агентов-роботов модель ВР может формироваться как априори на основе геометрических и физических свойств предметов, так и апостериори на основе внутренней или внешней сенсорной информации. Например, координаты объекта манипулирования или тактильно обнаруженного препятствия можно определить с помощью измерения обобщенных координат манипулятора и решения прямой задачи кинематики. С другой стороны, геометрическую модель среды, т. е. окружающих предметов, можно сформировать либо априори с помощью заданных геометрических характеристик предметов, либо апостериори по результатам сенсорных измерений телевизионной системы технического зрения или лазерного дальномера агента.

ВП агента естественно расслоить на три пространства: геометрическое, физическое и сенсорное. Геометрическое ВП в общем случае трехмерно, физическое ВП определяется совокупностью физических свойств предметов, а сенсорное ВП многомодально и определяется имеющимися у агента сенсорами. В свою очередь сенсорное ВП можно расслоить на подпространства, определяемые типом сенсоров, т. е. модальностью измеряемых сигналов (видеосигналы от окружающих предметов, акустические сигналы и т.п.).

1. Тимофеев А.В. Адаптивные робототехнические комплексы.- Л.: Машиностроение, 1988,332 с.

2. Maes J. Agent That Reduce Work and Information Overload, - Communication of the ACM, 1994, v.37, No. 7, pp.30-40

3. Timofeev A.V. Neural Multi-Agent Control of Robotic Systems. - Proceedings of International Conference on Informatics and Control (June 9-13, 1997, St. Ptersburg), 1997, v. 2, N 3, pp., 537-542.

4. Timofeev A.V. Adaptive - Intelligent Control of Robots and Technological Equipment for Intelligent Manufacturing, - Journal of Intelligent Manufacturing, 1991, v. 2, pp.245-248.

5. Timofeev A.V. Intelligent Control Applied to Non-Linear Systems and Neural Networks with Adaptive Architecture.- Journal of International Control,Neurocomputing and Fuzzy Logic, 1996, v.1, No.1, pp. 1-18.

6. Timofeev A.V. Optimization Methods of Parallel Knowledge Bases and Adaptive Neural Networks Synthesis for Intelligent Autonomous Systems. -International Journal of Infrormation Theories and Applications, 1996, vol. 4, N1, pp. 17-22.

7. Timofeev A.V., Yusupov R.M. Evolution of Intelligent Control in Adaptive Systems. - International Journal of Adaptive Control and Signal Processing, 1992, v.6.
1. Тимофеев А.В. Методы синтеза диофантовых нейронных сетей минимальной сложности. - Доклады АН, 1995, т. 345, № 1, с.32-35.

9.Timofeev A.V. Intelligent Control and Operations Research for Multi-Agent Robot Systems. -International Autonomous Systems. International Scientific Issue.- Karlsruhe, Ufa^ USATU,1998,pp.119-124.

10. Тимофеев А.В. Мультиагентое и интеллектуальное управление сложными робототехническими системами. - Юбилейный сборник “Теоретические основы и прикладные задачи интеллектуальных информационных технологий”, посвящённый 275-летию РАН и 20-летию СПИИРАН.-СПб.:СПИИ РАН,1999, с.71-81.