CC BY
79
ИстоминВ.В., МихеевМ.Ю.
ФГБОУ ВПО «Пензенская государственная технологическая академия»
ПОВЫШЕНИЕ КАЧЕСТВА ПРОГНОЗИРОВАНИЯ ПОВЕДЕНИЯ ГРУПП АВТОНОМНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВДЛЯ БИОМЕДИЦИНСКИХ СИСТЕМ
В данной работе обосновывается создание информационной модели, прогнозирующей поведение больших самоорганизующихся групп автономных интеллектуальных агентов. Прогнозирование поведения групп основывается на алгоритме их управления, использующем математический аппарат теории роевого интеллекта .
Создание информационной модели позволит произвести качественную оценку достоверности прогнозирования поведения.После обоснованного подтверждения практической применимости разработанного алгоритма станет возможным перспективное внедрение его в системы групповой робототехники, в которых роль автономных интеллектуальных агентов играют упрощенные робототехнические устройства.
Так как одной из наиболее привлекательных научно-технических областей для потенциального внедрения подобных робототехнических систем является биомедицина, то с первых этапов разработки информационной модели необходимо учитывать специфику биомедицинских систем. Предполагается, что робототехническая система, состоящая из группы миниатюрных биомедицинских роботов, будет способна решить комплексные задачи, стоящие перед современной высокотехнологичной медициной в области удаленной диагностики, терапии и хирургии.Таким образом, при создании автономных интеллектуальных агентов должны быть учтены характеристики, отвечающие за особенности функционирования элементов будущих робототехнических систем в данной предметной области.
Целью работы является решение задачи синтеза и исследования методов машинного обучения, обеспечивающих повышение достоверности прогноза поведения групп биомедицинских автономных интеллектуальных агентов с помощью многоагентных систем на основе применения бионических принципов, методов и моделей роевого интеллекта.
В групповой робототехнике применяются большие группы миниатюрных роботов, формирующие децентрализованную систему. Роботы, составляющие группы, чаще всего имеют значительные аппаратные ограничения. Все роботы являются автономными и действуют на основе доступной им локальной информации. Критическими факторами для реализации систем групповой робототехнике являются миниатюризация и стоимость. Следовательно, простоте каждого члена группы должно уделяться особое внимание, и актуален подход по использованию роевого интеллекта для достижения значимого поведения на уровне группы, а не на индивидуальном уровне.
В зарубежной литературе неоднократно обсуждался подход, заключающийся в разработке роевых алгоритмов на основе моделирования. Прогнозирование на основе модели с результатами, которые можно получить достаточно быстро, предназначено для поддержки разработки на раннем этапе, до реализации на роботах.Поиск оптимальных значений может быть проведен даже по полным наборам возможных значений параметров.
Предлагаемый в данной работе модельный подход описывается с помощью точного отображения пространства и формальных связей между микро- и макроуровнями.
Системы, состоящие из групп роботов, являются нелинейными, и могут демонстрировать сложные формы поведения. Дополнительная сложность обусловлена большим количеством взаимодействий между роботами, эффекты от которых в общем случае тяжело поддаются оценке и прогнозу.
В основе самоорганизации лежит формирование структур из неупорядоченных элементов внутри системы без какого-либо регулирующего воздействия извне. Многие самоорганизующиеся системы также демонстрируют так называемое эмерджентное поведение.
Для систематического изучения поведения группы роботов в исследовательских целях необходима разработка методик, которые будут способны обеспечить достоверный прогноз поведения группы, когда заданы только свойства отдельных её членов. Тем не менее, оценить уровень достоверности прогноза поведения, определяемого конкретной методикой, не представляется возможным без использования соответствующих вспомогательных критериев достоверности. Из этого следует, что их разработка необходима для качественного и объективного определения достоверности методик прогнозирования поведения, и является актуальной задачей.
Решение задач планирования и прогнозирования поведения может быть произведено с помощью агентного моделирования групп автономных интеллектуальных агентов, играющих роль роботов, способных к планированию и выполняющих набор действий в определенном порядке для достижения своей цели.
Моделирование поведения группы биомедицинских роботов с помощью системы, состоящей из автономных интеллектуальных агентов актуально и с экономической точки зрения, принимая во внимание высокую экономическую стоимость реализации сценариев групповой робототехники с реальными роботами.
Агентное моделирование может быть реализовано с помощью многоагентной системы. Хотя традиционно в рамках таких систем исследуются интеллектуальные агенты, в роли их агентов также могут выступать и роботы. Данный метод имитационного моделирования исследует поведение децентрализованных автономных интеллектуальных агентов и то, как их поведение определяет поведение всей системы в целом. Поведение агентов определяется на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов. Таким образом, в условиях необходимости реализации агентного моделирования поведения групп биомедицинских роботов будет актуальна разработка многоагентной системы. Кроме того, в ходе агентного моделирования необходимо решение задачи по определению структуры и типов агентов, составляющих соответствующую систему.
Так как методы имитации и моделирования большого числа биомедицинских роботов на данный момент все еще являются несовершенными и достаточно сложными, их результаты часто оказываются неточными. Поэтому решение задачи качественной программной реализации многоагентных систем, состоящих из групп автономных интеллектуальных агентов на основе усовершенствованных методов моделирования поведения, является актуальной.
Таким образом, имеет место противоречие между недостатками существующего аппарата моделирования многоагентных систем и требованиями в области достоверности прогнозирования поведения групп автономных интеллектуальных агентов.
Исходя из вышесказанного, можно сделать вывод о необходимости повышения достоверности результатов прогнозирования поведения групп автономных интеллектуальных агентов на основе совершенствования информационных моделей многоагентных систем.
Так как классическое программирование применительно к группам роботов является сложной задачей, возникла необходимость в альтернативном подходе. Если исключить применение эволюционных или
обучающих алгоритмов, единственно возможным является модельный подход. Основной его идеей является обеспечение поддержки разработчика алгоритма с помощью инструмента, который сможет прогнозировать поведение, заданное исполняемым алгоритмом, с наивысшей возможной точностью и в кратчайший период времени.
а) Четыре траектории при А = 0 (смещения нет)
б) Четыре траектории при A = 0.1 (со смещением)
Рисунок 1 -Траектории, построенные с помощью уравнения Ланжевена в одном измерении
а) Одна траектория при A =(0,0) T (без смещения)
б) Две траектории при A=(0.1,0)T (со смещением)
Рисунок 2 - Траектории, построенные с помощью уравнения Ланжевена в двух измерениях
Рисунок 3 - Плотность распределения вероятности в одномерном пространстве, вычисленная _______с помощью уравнения Фоккера-Планка________
Рисунок 4 - Связь плотности распределения вероятности с траекториями
3 п
□
О
а) Агентно-ориентированный подход
б) Пространственно-ориентированный подход
Рисунок 5 - Подходы к определению плотности распределения роботов
Базовая модель расположения роботов основана на принципе броуновского движения и составлена из пар соответствующих уравнений. С одной стороны, используется уравнение Ланжевена, дифференциальное уравнение со стохастическими производными (1). С помощью него дается локальное, или микроскопическое описание конкретных траекторий.
^ = A(r,t) + B(r,t)F(t), (1)
где r-местоположение; t-время ;A(r, t) - смещение; B(r, t) - коэффициент диффузии; F(t) - нормализованная шумовая составляющая.
На рисунке 1 представлена иллюстрация уравнения (1) с помощью четырех одномерных траекторий, начинающихся приг = 0, со смещением и без него. На рисунке 2 изображены траектории в двух измерениях, начинающихся при г =(0,0) Г и t = 0, и остановленных в момент времени t = 500.
С другой стороны, применяется уравнение Фоккера-Планка (прямое уравнение Колмогорова), дифференциальное уравнение с частными производными (2), которое может быть аналитически выведено из уравнения Ланжевена. Онос помощью плотностей распределения вероятностей дает глобальное, или макроскопическое описание.
^ = -V(A(r(t), t)p(r, t)) + i QV2 (B2 (r(t), t)p(r, t)), (2)
где p(r, t)dxdy - вероятность появления частицы в местоположении r внутри прямоугольника, заданного dx и dy в момент времени t;V- дифференциальный оператор.
Уравнение (2) проиллюстрировано на рисунке 3, изображающем плотность распределения вероятности р в одномерном пространстве при смещении A = 0.1, диффузии B = 0.6, и установке, близкой к 5-функции в г = 0. Линия г = At = 0.1t показывает траекторию наивысшей вероятности.
На рисунке 4 изображена плотность распределения вероятности р, описывающая вероятность встречи частицы, начавшей движение в момент времени t = 0 и г = 0 в заданной точке в одномерном пространстве, рассчитанную с помощью уравнения Фоккера-Планка для смещения A = 0.1 и диффузии B = 0.3. На плоскость rt нанесены четыре траектории, рассчитанные с помощью соответствующего уравнения Ланжевена .
В рамках данной работы физическая модель расширяется до обобщенной модели сообщающихся групп роботов, основанной на эвристических рассуждениях. Такой модельный подход имеет большое количество применений, однако адаптация к специальному алгоритму управления требует отдельного этапа моделирования .
В результате выполнения данной работыразработана информационная модель достоверного прогнозирования поведения групп автономных интеллектуальных агентов, построенная на теории искусственного роевого интеллекта, обосновывающая перспективность разработки системы биомедицинской групповой робототехники, позволяющей с определенной степенью достоверности предсказывать результат выполнения поставленных перед ней специфических задач. Кроме того, определяютсякритерии достоверности прогнозирования поведения, характеризуемые универсальностью и точностью в требуемых пределах, что позволит сформировать механизм оценки степени достоверности прогнозирования поведения системы автономных интеллектуальных агентов, реализованной на основе той или иной методики.
Рисунок 5а иллюстрирует агентно-ориентированный подход к определению плотности распределения роботов. В его рамках считается, что роботы близко расположены, если они находятся на расстоянии в гзепз0г/2. Таким образом, оценочная плотность роботов в полном радиусе действия сенсоров равна 6
—' . Пространственно-ориентированный подход к определению плотности распределения роботов про-
^Tsensor
иллюстрирован на рисунке 5б, оценка произведена на основе гистограммы.
Разработанная многоагентная система моделирует поведение групп автономных интеллектуальных агентов по разработанной методике, удовлетворяя предложенным критериям достоверности, отличаясь сформированной структурой системы и набором разработанных специализированных агентов, что обеспечивает возможности для моделирования системы биомедицинской групповой робототехники с помощью автономных интеллектуальных агентов. Программная реализация разрабатываемой многоагентной системы отличается качественным и эффективным представлением разработанной многоагентной системы с возможностью удаленной работы.Подобная реализация подтверждает эффективность разработанной методики и доказывает возможность практического внедрения систем биомедицинских роботов с прогнозированием поведения, основанных на данной методике.
Разработанная модель апробируется на основе нескольких сценариев групповой робототехники с применением моделируемых роботов, таких как адаптивное объединение на основе столкновений, коллективное восприятие, коллективный фототаксис, фуражировка (поиск ресурсов) с помощью виртуальных феромонов, а также древовидные объединения.
ЛИТЕРАТУРА
1. Russell, Stuart J.; Norvig, Peter, Artificial Intelligence: A Modern Approach. - 3rd ed. Upper Saddle River, New Jersey: Prentice Hall, 2010.
2. H. Hamann. Space-Time Continuous Models of Swarm Robotic Systems, Cognitive Systems Monographs, volume 9, Springer-Verlag Berlin Heidelberg, 2010.
3. Hong Lin, Architectural Design of Multi-Agent Systems: Technologies and Techniques, Information Science Reference Hershey-New York, 2007.
4. И.А. Каляев, А. Р. Гайдук, С. Г. Капустян, Модели и алгоритмы коллективного управления в группах роботов. - ФИЗМАТЛИТ, 2009.
5. В. В. Истомин, Прогнозирование поведения групп автономных интеллектуальных агентов на основе теории многоагентных систем. - Инженерный Вестник Дона, номер 4, 2011.
6. Michael Wooldridge, An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, 366 p, 2002 .
7. Ahmed, S. Karsiti, M.N. A testbed for control schemes using multi agent nonholonomic robots. Electro/Information Technology, 2007 IEEE International Conference, Chicago, IL, pp. 459 - 464, 2007.
8. Farshad Arvin, KhairulmizamSamsudin, Abdul RahmanRamli, "Development of a Miniature Robot for Swarm Robotic Application". International Journal of Computer and Electrical Engineering, vol.1, no.4, pp.436-442, 2009.
