Dergiler / Avrupa Bilim ve Teknoloji Dergisi / 2020 / Ejosat Özel Sayı 2020 (HORA)

Sürü Robotları için Esnek ve Ölçeklenebilir Toplanma Davranışı Metodu

Flexible and Scalable Aggregation Behavior Method for Swarm Robots

Sayfa
100–109
Yayın Tarihi
2020-08-15
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sistematik deneylerden elde edilen sonuçlara göre önerilen toplanma davranışının performansı değerlendirilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sürü robotiği, bir görevi üstün yeteneklere sahip birkaç robotun gerçekleştirmesinden farklı olarak, sınırlı ve basit yeteneklere sahip benzer robotlarla gerçekleştirmeyi amaçlayan bir yaklaşım olarak ortaya çıkmıştır.
📊
Temel Bulgular & Veri:Bu yaklaşım doğada sürü halinde yaşayan karıncalar, termitler ve arılar gibi canlılardan ilham alınarak ortaya koyulmuştur.
💡
Sonuç & Katkı:Sistematik deneylerden elde edilen sonuçlara göre önerilen toplanma davranışının performansı değerlendirilmiştir.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Flocking · Koordineli Hareket · Öz örgütleme

Özet

Sürü robotiği, bir görevi üstün yeteneklere sahip birkaç robotun gerçekleştirmesinden farklı olarak, sınırlı ve basit yeteneklere sahip benzer robotlarla gerçekleştirmeyi amaçlayan bir yaklaşım olarak ortaya çıkmıştır. Bu yaklaşım doğada sürü halinde yaşayan karıncalar, termitler ve arılar gibi canlılardan ilham alınarak ortaya koyulmuştur. Sürü robotiğinde robotların aralarında koordinasyon kurabilmeleri için bir araya toplanmalıdırlar. Bu sebepten toplanma sürü robotiğinde uygulanan temel davranışlardan biridir. Bu çalışmada sürü robotları için toplanma davranışı metodu önerilmiştir. Önerilen toplanma metodu aynı özelliklere sahip sürü robotlarının, aralarında merkezi bir kontrolcü olmadan sadece sınırlı mesafe ve açı algılama sensör verileri ile bir araya toplanmaktadırlar. Önerilen toplanma metodu yaklaşma ve ortak yönde hareket kontrolcüsü ayrıca çarpışmadan ve engelden kaçınma kontrolcülerinden oluşmaktadır. Yaklaşma kontrolcüsü sürü robotlarını algılama alanı içerine giren robotlardan çoğunluğun olduğu yöne ilerlemelerini sağlamaktadır. Robotlar sınırlı algılama alanına sahip olduğundan sadece algıladıkları robotlarla toplanırlar. Böyle bir durumda robotlar kendi aralarında robot grupları oluştururlar. Oluşan robot gruplarının birleşebilmeleri için ortak yönde hareket kontrolcüsü kullanılmaktadır. Ortak yönde hareket kontrolcüsü gruplaşan robotları belirli bir yönde koordineli bir şekilde aynı yönde hareketini sağlar. Robot gruplarının ortak hareketi ile robotlar karşılaştıklarında birleşirler. Sürü robotlarının birbirlerine çarpacak kadar yaklaşmaları ve bir engelle karşılaşması durumunda engelden ve çarpışmadan kaçınmaları için ayrı bir kontrolör geliştirilmiştir. Her bir robot toplanma metodu ile sadece kendi kendine karar vererek bir araya gelmektedir. Bir merkezi kontrol birimine ihtiyaç yoktur. Robotların toplanma metodu ile hareketi öz örgütlenme (self organizing) organizasyonunu oluşturmaktadır. Çalışmada matlab benzetim ortamında sürü robotlarının toplanma davranışını sergiledikleri arena boyutunu ve robot sayısını değiştirerek önerilen toplanma metodu sistematik deneyler yoluyla incelenmiştir. Sistematik deneylerden elde edilen sonuçlara göre önerilen toplanma davranışının performansı değerlendirilmiştir.

Abstract

Swarm robotics has emerged as an approach that aims to perform a task with similar robots with limited and simple abilities, unlike a few robots with superior skills. This approach has been revealed by being inspired by living creatures such as ants, termites and bees living in flocks. In Swarm robotics, they must be gathered together so that robots can coordinate between them. For this reason, Aggregation is one of the basic behaviors applied in swarm robotics. In this study, aggregation behavior method is proposed for swarm robots. The proposed aggregation method combines only the limited distance and angle sensing capabilities of the swarm robots with the same characteristics, without a central controller between them. The proposed aggregation method consists of approach and a common directional motion controller, as well as collision and obstacle avoidance controllers. The approach controller allows the robots to move in the direction of the majority of the robots entering the detection area. Because robots have limited detection areas, they are aggregated only with robots they detect. In such a situation, robots form robot groups among themselves. A motion controller is used in a common direction for the robot groups that are formed to join. The motion controller in the common direction allows the grouped robots to move in the same direction, coordinated in a certain direction. With the joint movement of robot groups, robots unite when they meet. A separate controller has been developed for swarm robots to come close enough to hit each other and avoid obstacles and collisions if they encounter an obstacle. Each robot combines with the self organizing aggregation method only by deciding on its own. There is no need for a decentralized control unit. The movement of the robots with the method of aggregation constitutes the self organization organization. In the study, the proposed aggregation method was performed by systematic experiments by changing the arena size and the number of robots where the swarm robots exhibit their behavior in matlab simulation environment. According to the results obtained from systematic experiments, the performance of the proposed aggregation behavior was evaluated.

🔖

Bu Makaleye Atıf Yap

MISIR, O., GÖKREM, L. (2020). Sürü Robotları için Esnek ve Ölçeklenebilir Toplanma Davranışı Metodu. Avrupa Bilim ve Teknoloji Dergisi, Ejosat Özel Sayı 2020 (HORA), 100–109. https://ajindex.com/articles/471662

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Abuelhaija, A., Jebrein, A., & Baldawi, T. (2020). Swarm robotics: Design and implementation. International Journal of Electrical and Computer Engineering, 10(2), 2173–2181. https://doi.org/10.11591/ijece.v10i2.pp2173-2181 Amé, J.-M., Halloy, J., Rivault, C., Detrain, C., & Deneubourg, J. L. (2006). Collegial decision making based on social amplification leads to optimal group formation. Proceedings of the National Academy of Sciences of the United States of America, 103(15), 5835–5840. https://doi.org/10.1073/pnas.0507877103
  2. Arvin, F., Samsudin, K., Ramli, A. R., & Bekravi, M. (2011). Imitation of Honeybee Aggregation with Collective Behavior of Swarm Robots. International Journal of Computational Intelligence Systems, 4(4), 739–748. https://doi.org/10.1080/18756891.2011.9727825
  3. Arvin, F., Turgut, A. E., Bazyari, F., Arikan, K. B., Bellotto, N., & Yue, S. (2014). Cue-based aggregation with a mobile robot swarm: a novel fuzzy-based method. Adaptive Behavior, 22(3), 189–206. https://doi.org/10.1177/1059712314528009
  4. Bayındır, L. (2016). A review of swarm robotics tasks. Neurocomputing, 172, 292–321. https://doi.org/10.1016/J.NEUCOM.2015.05.116
  5. Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: a review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1–41. https://doi.org/10.1007/s11721-012-0075-2
  6. Camazine, S, Deneubourg, J. L., Franks, N. R., Sneyd, J., Theraulaz, G., & Bonabeau, E. (2003). Self-Organization in Biological Systems: (Princeton Studies in Complexity). Princeton University Press.
  7. Camazine, Scott., Deneubourg, J.-L., Franks, N. R., Sneyd, J., Theraulaz, G., & Bonabeau, E. (2001). Self-organization in biological systems. Princeton University Press. Tarihinde adresinden erişildi https://press.princeton.edu/titles/7104.html de Sá, A. O., Nedjah, N., & Mourelle, L. de M. (2017). Distributed and resilient localization algorithm for Swarm Robotic Systems. Applied Soft Computing, 57, 738–750. https://doi.org/10.1016/J.ASOC.2016.07.049
  8. Dudek, G., Jenkin, M. M., Milios, E., & Wilkes, D. (1996). A taxonomy for multi-agent robotics. Autonomous Robots, 3(4), 375–397. https://doi.org/10.1007/BF00240651
  9. Francesca, G., Brambilla, M., Trianni, V., Dorigo, M., & Birattari, M. (2012). Analysing an Evolved Robotic Behaviour Using a Biological Model of Collegial Decision Making (ss. 381–390).
  10. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-33093-3_38
  11. Gauci, M., Chen, J., Dodd, T. J., & Groß, R. (2014b)