A stochastic approach to generate emergent behaviors in robotic swarms

Abstract

Esta tese apresenta uma nova metodologia que estende os conceitos de Campos Aleatórios de Gibbs (GRFs) para o contexto da robótica de enxame, permitindo projetar mecanismos de controle que produzem diferentes comportamentos de enxame usando apenas informações locais. Nesse contexto, um GRF é um modelo gráfico probabilístico que descreve as interações e comportamentos de um grupo de robôs. Assume-se que os robôs interagem uns com os outros de uma forma que pode ser descrita por um conjunto de variáveis aleatórias. Essas variáveis definem um campo aleatório e a função de probabilidade conjunta é uma distribuição de Gibbs que descreve a probabilidade do enxame estar em uma determinada configuração. Utilizando o método Markov Chain Monte Carlo (MCMC), cada robô amostra comandos de velocidade de forma descentralizada, forçando-os a se moverem em direção ao mínimo global do potencial, o que direciona todo o enxame a convergir para o comportamento desejado. Esta abordagem tem várias vantagens sobre os métodos mais tradicionais para controlar o comportamento de um enxame. Por exemplo, permite o controle descentralizado, onde cada robô toma decisões com base em informações locais, em vez de depender de um controlador central. Isso torna o sistema mais robusto e escalável, pois não existe um único ponto de falha e o enxame pode continuar a operar mesmo se os robôs individuais falharem. Além disso, permite uma abordagem mais flexível e adaptável ao comportamento do enxame, pois a função potencial pode ser modificada para levar em conta mudanças nas condições ambientais ou novos objetivos para o enxame. Para demonstrar a aplicação de nossa metodologia, investigamos o design de métodos que abordam três desafios significativos na robótica de enxame: flocking e segregação, transporte cooperativo de objetos e formação de padrões. Simulações numéricas e experimentos utilizando robôs reais mostram que esses métodos são escaláveis, adaptáveis e robustos, mesmo na presença de ruído, falhas e mudanças no ambiente. Mais especificamente, o primeiro método mostra ser capaz de segregar adequadamente um grupo de robôs heterogêneos, mantendo a navegação coesa e evitando obstáculos no ambiente. O segundo método demonstra o transporte de objetos de diferentes formas, tamanhos e massas. Também é escalável e resiliente a mudanças na localização do objetivo e falhas nos robôs. Os experimentos do terceiro método mostram a capacidade de criar diversos padrões usando diferentes restrições de vizinhança e que podem servir de base para aplicações mais tangíveis de um enxame de robôs heterogêneos, como a construção de estruturas encadeadas ou semelhantes a pontes dinâmicas. No geral, a metodologia proposta mostra-se promissora e contribui para o campo da robótica de enxame, permitindo a concepção de mecanismos que produzam adequadamente diferentes comportamentos de um enxame de robôs.