Search

ilustraciones, tablas. Esta tesis presenta una comparación empírica de métodos de diseño de comportamientos colectivos para enjambres de robots que deben coordinar a otros enjambres. En este estudio, los métodos de diseño producen software de control sin ser provistos con información explícita sobre el comportamiento de los enjambres que deben ser coordinados—esta información debe ser obtenida durante el proceso de diseño. Los métodos considerados en la comparación son Pistacchio, EvoCMY, C-Human, R-Walk. Pistacchio es un método automático modular, perteneciente a la familia de métodos AutoMoDe. EvoCMY es un método automático basado en neuroevolución. La eficiencia de los métodos automáticos fue comparada con C-Human, un método de diseño manual en donde un grupo de diseñadores producen el software de control para los robots. Pistacchio, EvoCMY y C-Human fueron comparados con R-Walk, una implementación de movimiento aleatorio que sirve como línea base. Pistacchio y EvoCMY se presentan por primera vez en esta tesis, y son una contribución de la investigación. Los experimentos llevados a cabo con Pistacchio y EvoCMY permitieron determinar que los métodos de diseño automático son efectivos en (i) la identificación de posibles formas de interacción entre el enjambre que coordina y el enjambre que es coordinado; y en (ii) el aprovechamiento de estas formas de interacción para ejecutar misiones en donde los dos enjambres operan de forma coordinada. La comparación de los métodos se llevó a cabo empleando ARGoS3, un simulador especializado en robótica de enjambres, y tomando como plataforma de referencia al robot e-puck. El diseño mediante métodos automáticos resultó significativamente más eficiente que el diseño manual en las misiones propuestas. This thesis presents an empirical comparison of methods for the design of collective behaviors for a robot swarm that must coordinate a second robot swarm. In this study, the design methods produce control software without being provided with explicit information about the behavior of the swarm that must be coordinated—in all cases, this information must be obtained during the design process. The methods considered in the study are Pistacchio, EvoCMY, C-Human, R-Walk. Pistacchio is an automatic modular method that belongs to the family of methods AutoMoDe. EvoCMY is an automatic method based on neuro-evolution. The performance of the automatic methods was compared with the performance of C-Human, a manual design method in which a group of human designers produces the control software for the robots. Pistacchio, EvoCMY and C-Human were compared against R-Walk, an implementation of a random walk that serves as a baseline. Pistacchio and EvoCMY are presented for the first time in this thesis, and they are an original contribution. Experiments conducted with Pistacchio and EvoCMY showed that automatic design methods are effective in (i) identifying interaction dynamics between the swarm that coordinates and the swarm that is being coordinated; and in (ii) using these dynamics for addressing missions in which the two robot swarms must act in a coordinated manner. The design methods were compared in simulation, using the swarm-dedicated simulator ARGoS3 and a simulated model of the e-puck robot. The automatic design approach performed significantly better than the manual design in the proposed missions. Maestría Magíster en Ingeniería - Automatización Industrial Diseño de comportamientos colectivos para enjambres de robots Eléctrica, Electrónica, Automatización Y Telecomunicaciones

En este trabajo se estudiará el uso de aprendizaje profundo para extraer comportamientos robótico útiles en el desarrollo de tareas robótica. Se tomará como base el estado del arte actual de este tipo de técnicas. Se propondrán comportamientos y se analizará su funcionamiento. Se discutirá la bondad de la aplicación del Deep Learning a la robótica y las ventajas y desventajas que conlleva.

En este trabajo se hace uso de técnicas de aprendizaje por refuerzo (Q-Learning) con el objetivo de entrenar un grupo de robots para generar comportamientos de enjambre. Se presentan dos posibles soluciones con diferentes enfoques. En la primera solución propuesta se establecen los estados del robot en función de la distancia de sus dos vecinos más cercanos. En la segunda solución propuesta se definen un radio de atracción y otro radio de repulsión, y los estados se establecen según la cantidad de vecinos dentro de cada uno de los radios divididos en los cuatro cuadrantes locales del robot. Para cada solución propuesta se definen las acciones del robot y se propone una política de premios y castigos. Cada robot se conecta con sus vecinos una vez que ha alcanzado una distancia prudente. Se hace uso de teoría de grafos para medir la conectividad del enjambre y saber si la topología del grafo que forma el enjambre al final de la simulación es conexo o no. En este trabajo se asume que la comunicación de cada agente con sus vecinos ya está resuelta. Se realizan varias pruebas en Matlab para cada una de las soluciones propuestas variando el número de robots del enjambre. Finalmente se prueba la segunda solución propuesta en V-rep usando robots cuadricópteros virtuales. Este documento está estructurado de la siguiente forma: En el capítulo 1 y 2 se define el problema y la justificación. El capítulo 3 y 4 contienen una revisión de trabajos relacionados con robótica de enjambre y se definen los objetivos del proyecto. En el capítulo 5 se presentan los conceptos teóricos necesarios utilizados en el desarrollo de este proyecto. En el capítulo 6 y 7 se muestra el diseño metodológico, la administración del proyecto, cronograma de actividades y presupuesto para el proyecto. En el capítulo 8 se muestra el trabajo previo a la realización de este proyecto usando lógica difusa. En el capítulo 9 y 10 se muestra el diseño del proyecto, el planteamiento de las soluciones propuestas, - las pruebas y resultados de las dos soluciones. Finalmente, las conclusiones se muestran en el capítulo 11. In this work we make use of reinforcement learning techniques (Q-Learning) with the aim of training a group of robots to generate swarming behaviors. Two possible solutions with different approaches are presented. In the first proposed solution, the states of the robot are established according to the distance of its two closest neighbors. In the second proposed solution, a radius of attraction and another radius of repulsion are defined, and the states are established according to the number of neighbors within each of the radii divided into the four local quadrants of the robot. For each proposed solution the actions of the robot are defined and a policy of rewards and punishments is proposed. Each robot connects with its neighbors once it has reached a prudent distance. It makes use of graph theory to measure the connectivity of the swarm and to know if the topology of the graph that forms the swarm at the end of the simulation is connected or not. In this paper it is assumed that the communication of each agent with their neighbors is already resolved. Several tests are carried out in Matlab for each of the proposed solutions, varying the number of robots in the swarm. Finally, the second solution proposed in V-rep is tested using virtual quadrocopters. This document is structured as follows: Chapter 1 and 2 define the problem and the justification. Chapters 3 and 4 contain a review of work related to swarm robotics and define the objectives of the project. Chapter 5 presents the theoretical concepts needed in the development of this project. In chapter 6 and 7 the methodological design, project management, activity schedule and budget for the project are shown. Chapter 8 shows the work prior to the realization of this project using fuzzy logic. Chapter 9 and 10 show the design of the project, the approach of the proposed solutions, - the tests and results of the two solutions. Finally, the conclusions are shown in chapter 11. Ingeniero Electronico Pregrado

Este trabajo muestra el diseño automático de comportamientos para un enjambre heterogéneo de robots utilizando programación genética. Para ello, se propone el desarrollo de una plataforma computacional que incluye un formato de descripción para la especificación de robots y sus características, comportamientos primitivos que poseen los robots, y tareas que realiza el enjambre de robots. Los comportamientos son construidos con programación genética componiendo y ajustando árboles de expresión que son validados en un simulador basado en física. Como parte de la validación de la plataforma computacional se diseñan e implementan comportamientos de agregación para un grupo de tres robots móviles simulados y su despliegue en tres robots del Laboratorio Fábrica experimental de la Universidad Nacional de Colombia sede Bogotá . Abstract: This research work studies the automatic design of behaviors for an heterogeneous swarm of robots using genetic programming. In order to build behaviors for robots automatically a computational platform is proposed. The proposed platform is composed by three major components. The first component is a description format which allows to specify robot properties, basic behaviors and tasks. The second component is a genetic programming implementation along with a physics-based simulator, this component builds in an automatic way expression trees which represent robot behaviors. The final component is a behaviors assignment module to deploy expression trees on real robots. In order to validate the proposed platform robot behaviors are built for three simulated mobile robots and their deployment in three real robots in a manufacturing environment at Universidad Nacional de Colombia. Maestría

RESUMEN: La inteligencia de enjambres ha emergido recientemente como una de las tendencias más interesantes e innovadoras en inteligencia artificial. En un sentido amplio, la inteligencia de enjambres (o swarm intelligence, SI) puede definirse como la propiedad de un sistema mediante la cual los comportamientos colectivos de agentes no sofisticados que interactúan localmente entre sí y con su entorno, provocan que surjan patrones globales funcionales coherentes. Típicamente, un sistema SI es capaz de alcanzar un sofisticado comportamiento colectivo inteligente a partir de interacciones locales entre sistemas descentralizados compuestos de agentes muy simples que se comunican entre sí (directa o indirectamente). Esos agentes no son demasiado inteligentes: obedecen reglas simples y tienen una percepción limitada. Como resultado, no pueden llevar a cabo individualmente las tareas que pretenden realizar. Es la cooperación de agentes la que aporta inteligencia al sistema, pero de una manera más bien descentralizada. La principal característica de un SI es la falta de un comportamiento central que determina la evolución del enjambre. En vez de eso, son las interacciones locales entre los agentes las que rigen el comportamiento global del enjambre. En este proyecto se pretende analizar y simular, desde un punto de vista práctico, la evolución de un enjambre a través de la cooperación de varios microcontroladores individuales utilizando un algoritmo de inteligencia de enjambre (el algoritmo bat). El sistema está diseñado para cumplir un objetivo común de manera colectiva, inteligente y eficiente. Se desarrollará un ejemplo práctico para ilustrar los fundamentos de este comportamiento colectivo y cómo mejora el desempeño de los agentes individuales en la realización de una tarea específica. ABSTRACT: Swarm intelligence has recently emerged as one of the most exciting trends in artificial intelligence. In a broad sense, swarm intelligence (SI) can be defined as the property of a system whereby the collective behaviors of unsophisticated agents interacting locally with one another and with their environment cause coherent functional global patterns to arise. Typically, a SI system is able to reach a sophisticated intelligent collective behavior from local interactions among decentralized systems comprised of very simple agents which communicate with each other (either directly or indirectly). Those agents are not very intelligent: they obey simple rules and have a limited perception. As a result, they cannot individually carry out the tasks they intend to. It is the cooperation of agents which actually brings intelligence to the system, but in a rather decentralized way. A trademark of SI is the lack of a central behavior determining the evolution of the swarm. Instead, are those local interactions among agents which govern the global behavior of the swarm. In this project, we aim at analyzing and simulating, from a practical standpoint, the evolution of a swarm through the cooperation of several individual single-board microcontrollers by using a swarm intelligence algorithm (the bat algorithm). The system is designed to fulfill a common objective in a collective, intelligent, and efficient way. A practical example will be developed to illustrate the fundamentals of this collective behavior and how it improves the performance of individual agents in carrying out a specific task. Grado en Ingeniería Informática