摘要
群体智能关注从分散的自组织系统中出现的集体行为,而群体机器人是一种实现大量简单机器人自协调的方法,是群体智能在多机器人系统中的应用。鉴于野火发生的日益严重和频繁以及抗击其传播的危险性质,使用一次性廉价机器人代替人类具有特殊的意义。本文论证了采用消防机器人自主灭火的可行性和潜力,并重点介绍了实现理想消防行为的自我协调机制。因此,一个有效的基于物理的火灾传播模型和一个自组织算法被开发出来,并与基于粒子群算法的协作行为相结合,该粒子群算法适用于在高强度和高频率变化的物理动态环境中操作美国的实验表明,所提出的自组织系统是有效的、可扩展的和容错的,包括一个有前途的方法来处理抑制野火——我们时代世界上最紧迫的挑战之一。
关键词:自组织,粒子群,火灾蔓延建模,群体机器人,自主无人机
相关概念
-
无人机
- 又称无人驾驶飞机,可以配备一系列先进的摄像头和传感器,使它们能够在偏远地区、危险环境甚至固体烟雾中工作。
- 应用包括航空摄影和拍摄、人类决策者的信息收集、基本物资的提供、搜索和救援行动的支持、不可到达地点的测绘、实地调查和作物健康监测。
- 在消防行动方面,无人机技术已被应用于森林监视、构建火灾风险图、森林火灾探测和监控、火灾后恢复监测、丛林火灾热点探测以及救灾行动支持。
- 与它们在森林火灾监测和探测中的应用相比,基于无人机的灭火研究和开发仍然很少。
-
群体智能
- 群体智能是人工智能的一个分支,它处理从分散的自组织系统中出现的集体行为,在这些系统中,个人只在本地相互作用,并与环境相互作用。
-
群体机器人
- 群体机器人学是将群体机器人学应用于多机器人系统而出现的一种实现大量简单机器人自协调的方法。
- 群体机器人系统允许大量的自我协调智能体,只有本地无人机之间的通信,没有中央控制。
- 大量分散的协作和自组织机器人的使用产生了一个强大而有弹性的系统,该系统具有集体决策能力,能够应对不确定性、错误、局部扰动以及一些单元的故障或丢失。
本文贡献
- 目的
- 论证采用人工智能自主抗击野火的可行性和潜力。重点是它们的自我协调机制,以实现理想的消防行为。
- 创新
- 虽然使用无人机来支持消防行动正迅速成为一种普遍做法,但自组织成群的无人机直接参与灭火的设计仍有待探索。
- 贡献
- 开发了一种基于物理学的野火传播模型和一种用于大批灭火无人机的自组织算法。
- 一项关键的使能技术是自组织算法的开发,该算法允许无人机在它们之间通信和分配任务,规划它们的轨迹,并自我协调它们的飞行以实现群体的目的。
- 并将其与基于粒子群算法的协作行为相结合,该算法适用于在高强度和高频率变化的物理动态环境中工作的个人。
行文流程
- 第2节介绍了火灾传播模型的背景和相关工作,以及粒子群算法。
- 第3节介绍了提议的基于物理的野火传播的有效模型
- 第4节描述了提议的自组织群灭火无人机系统
- 第5节中进行了数值实验,以根据商业模拟器获得的预测校准受影响区域的火灾传播模型,观察未检查的火灾传播,根据预期的可扩展性和容错性测试提议的灭火系统,并研究惯性权重作为控制系数的影响。
- 第6节讨论结论和未来的工作.本文中的所有数字均可在[数据集]中获得。
群体智能系统(SI)
一个群体智能系统应满足以下条件:
- 由一些简单的智能体者或个体组成的,因为自组织发生需要一些临界条件。
- 由彼此相似的智能体或个体组成,通常相同或属于少数类型。
- 基于简单的行为规则进行本地互动,以直接方式或通过环境间接利用个体之间在本地交换的信息。这种间接交换被称为协同机制,其中环境充当状态记忆。交互通常是概率性的,将创造性引入系统。
- 展示一种突发的全局行为,这种行为是个体之间以及个体与环境之间相互作用的结果。这种群体水平的自组织智能行为在个体水平上是未知的。
这些特性使得系统具有可扩展性、并行性、健壮性和容错性。
- 可拓展性保证了系统可以在不重新定义其行为的情况下改变大小。
- 由于相互作用是局部的,个体行为受群体大小变化的影响很小。反过来,这些系统基于人口的性质导致以分布式方式获取信息的并行搜索。这使得它们对局部扰动具有鲁棒性,同时智能体之间的信息交换扩大了知识库,减少了不确定性。
- 容错是由于它们的分散性、自组织性和可伸缩性以及代理之间的相似性。如果一个代理出现故障或被移除,系统不会停止运行:它可以在减小的群规模下继续工作,或者可以加入另一个代理作为替代。
群体机器人(SR)
- 群体机器人(swarm Robotics,SR)是一种实现大量简单、相对便宜的机器人自协调的方法,它是SI在多机器人系统中的应用。不同于其他SI研究,重点是个人的物理体现。
- SR系统不同于分布式机器人系统,前者是可扩展的,这意味着可以通过增加群体的大小来提高性能,而不需要重新定义或重新编程系统。
- 作为SI系统,SR必须遵守上一节中讨论的条件。此外,智能体必须是在物理世界中运行的自主机器人,具有在真实环境中感知和驱动的能力。这些简单的机器人必须拥有相对于系统级任务而言有限的个人能力。换句话说,如果没有合作,他们肯定无法解决问题。
- 这种简单带来了额外的好处,即机器人价格低廉,不容易出现故障。SR旨在研究如何设计大量简单的机器人,以便从它们之间以及与环境的局部相互作用中产生期望的集体行为。
- 这项研究不是关于物理机器人的设计,而是关于它们的自我协调机制,以便它们能够自我组织起来,发展自主和合作灭火的能力。为本地交互设计规则以导致期望的系统行为的出现不是一件小事。
- 因此,对理想的集体动物行为的观察和对基本的潜在自我协调机制的识别可以作为SR系统设计的灵感来源。
粒子群算法(PSO)
向大自然学习
- 鸟群 鱼群 蚁群 蜂群
- 遗传算法(GA ):染色体交叉变异
- 人工神经网络(ANN):模拟生物神经元,通过神经元的信息传递、训练学习、联想、优化求解。
- 模拟退火算法(SA):模仿金属物质退火的过程。
特点
- 简单易行
- 收敛速度快
- 设置参数较少
- 已成为现代优化算法领域研究热点
基本思想
- 源于鸟群捕食行为研究
- 模拟鸟群飞行觅食的行为,鸟之间通过集体协作使群体达到最优。(发现食物会呼唤同伴)找到一个局部最优解 全局的最优解,不断变化,行走距离停止寻找、找到一个巨坑,不再改变。
- 探索目前离食物最近的鸟的周围区域,根据自己的飞行经验判断食物所在。
- PSO的基础:信息的社会共享
- 社会行为、个体认知交互
算法介绍
-
所有粒子都在一个D维空间进行搜索
-
有一个fitness function确定适应值,以判断目前位置的好坏
-
粒子具有记忆功能、能够记住所搜寻的最佳位置
-
粒子有飞行速度、距离、方向、速度可以动态调整
-
速度 位置都会有限制范围,保证探索能力和开发能力的平衡
影响因素
群体大小m
- m很小:陷入局部最优解的可能性很大。
- m很大:运行效率较低、当数目增长到一定水平时,再增长不具有显著作用。
权重因子选择
- 惯性因子: w
- 学习因子: c1 、c2
带收缩因子的PSO—CPSO
惯性权重动态改变
速度限制
拓扑结构
全局粒子群算法:选取全局的粒子做该粒子的领域
局部粒子群算法:选取部分粒子做该粒子的领域
应用–求解最值
本文PSO公式
就是标准的PSO公式,拓扑结构采用局部式,所以存在集群j。