Landmark-based aggregation method for robot swarms

Sosyal böceklerde yaygın olarak gözlemlenen bir davranış olan kümelenme, bireylerin herhangi bir yerde veya bir işarette toplanmasıdır. İlki kendi kendini organize eden toplama olarak adlandırılır ve ikincisi işaret tabanlı toplama olarak adlandırılır. Işarete dayalı kümelenmenin örneklerinden biri, genç bal arılarının termotaktik davranışıdır. Genç bal arıları basit bir dizi davranış kullanarak kovandaki en uygun sıcaklık bölgelerinde toplanır. Son teknoloji işaret tabanlı toplama yöntemi BEECLUST, bu davranışlara dayalı olarak türetilmiştir. BEECLUST yöntemi çok basittir ve gürültüye karşı dayanıklılık ve uygulama kolaylığı gibi olumlu özelliklere sahip bir yöntemdir. Ancak, BEECLUST yöntemi, düşük robot yoğunluklarında iyi performans göstermez. Bu yazıda, navigasyon tekniklerinden esinlenerek Karıncalar ve arılar tarafından kullanılan, kendi kendini ayarlayan bir dönüm noktası tabanlı toplama yöntemi önerilmiştir. Bu yöntemde robotlar konum işaretine göre yer işaretin göreceli konumunu "öğrendikten" sonra, yer işaretin yerini belirlemek için ortamdaki konum işaretlerini kulanırlar. Katedilen mesafelerin hesaplanmasını mümkün kılmak için robotlarda odometri sensörleri kullanıldı. Bir hata eşiği parametresinin eklenmesiyle, yöntem aynı zamanda çevre değişikliklerine ayarlanabilir hale getirilir. Robotları odometri sensör parazitine karşı sağlam ve ince ayardan arındırmak için, robotların belirsizliklerle daha iyi başa çıkmasına yardımcı olmak için takviyeli öğrenme algoritması kullanıldı. Takviyeli öğrenmede keşfetme-sömürme ikilemini çözmek için yeni bir döngüsel güncelleme programı önerilmiştir. Kinematik ve gerçekçi simülatör ve gerçek sürü robotlarında farklı parametrelere sistematik deneyler yoluyla, ortam bilgilerinin kullanılmasının önerilen yöntemin tüm diğer son teknoloji işaret tabanlı toplama yöntemleri olan BEECLUST ve ODOCLUST'tan daha iyi performans gösterdiği gözlemlendi. Ayrıca önerilen toplama yönteminde takviyeli öğrenmenin kullanılmasının durağan olmayan ortamlarda 20%'lik bir performans artışı sağladığı da gösterilmiştir. Ek olarak, takviyeli öğrenme, önerilen yöntemi 30%'a varan performans artışına ulaşan odometri gürültüsüne karşı daha sağlam hale getirdiği gözlenmiştir.