Multi-Robot Task Allocation and Path Planning Based on HIGWO-NSGAII
تقترح هذه الورقة خوارزمية HIGWO-NSGAII، وهي خوارزمية تحسين هجينة متعددة الأهداف تدمج مُحسِّن الذئب الرمادي المطوّر، والجدولة التكيفية القائمة على تعلم كيو (Q-learning)، وآليات البحث المحلي لحل مشكلات تخصيص مهام الروبوتات المتعددة وتخطيط المسار بفعالية، مع تحقيق تقارب واستقرار وقابلية توسع فائقة مقارنة بالطرق الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم اللوجستيات الحديثة، والإغاثة من الكوارث، وأتمتة المصانع الصاخب، غالبًا ما لا يكون الروبوت الواحد كافيًا. فمن أجل التحرك بكفاءة عبر مستودع أو التنقل في مبنى منهار، يجب أن تعمل فرق من الآلات معًا، لكن تنسيق عملها يمثل لغزًا شديد التعقيد. وتكمن التحديات في جزأين: تحديد أي روبوت يجب أن يتولى أي مهمة محددة، ثم رسم مسار آمن وفعال لكل منها للوصول إلى وجهتها دون الاصطدام بالجدران أو الاصطدام بزملائها من الروبوتات. ومع زيادة عدد الروبوتات والأهداف، يتضخم عدد الطرق الممكنة لترتيب هذه المهام، مما يجعل من المستحيل تقريبًا على الأساليب الحاسوبية التقليدية إيجاد الحل الأمثل بسرعة. علاوة على ذلك، تواجه هذه الأنظمة غالبًا أهدافًا متضاربة؛ فعلى سبيل المثال، الخطة التي تقلل إجمالي المسافة المقطوعة للفريق بأكمله قد تجبر روبوتًا واحدًا على اتخاذ مسار طويل ومرهق للغاية، بينما قد تؤدي الخطة التي توازن بين عبء العمل إلى زيادة المسافة الإجمية. ويتطلب إيجاد التوازن المثالي بين هذه الاحتياجات المتنافسة نوعًا جديدًا من النهج الرياضي.
لقد طور باحثون في معهد آنهوي لتكنولوجيا المعلومات طريقة جديدة لحل مشكلة التنسيق هذه، حيث ابتكروا خوارزمية هجينة تعمل مثل مراقب حركة مرور عالي المهارة لفرق الروبوتات. وقد أطلقوا على نهجهم اسم HIGWO-NSGAII، وهو نظام يمزج بين استراتيجيتين حاسوبيتين متميزتين للتعامل مع التحديين المزدوجين المتمثلين في تخصيص المهام وتحديد المسارات. بنى الباحثون نظامهم ليعمل ضمن بيئة شبكية، تشبه لوحة الشطرنج، حيث تكون العوائق عبارة عن كتل ثابتة وتتحرك الروبوتات من مربع إلى آخر. وقبل بدء التخطيط الرئيسي، يستخدم النظام أداة لتحديد المسارات معروفة جيدًا لحساب أقصر مسافة ممكنة من كل روبوت إلى كل هدف محتمل، مما ينشئ خريطة للتكاليف تعمل كأساس لعملية التحسين. ويكمن جوهر ابتكارهم في طريقة تجمع بين القدرة الواسعة والمتنوعة للبحث في خوارزمية واحدة، وغرائز الصيد السريعة والمركزة في خوارمة أخرى، مما يسمح للنظام باستكشاف العديد من الاحتمالات المختلفة مع التركيز بسرعة على الحلول الأكثر كفاءة.
ولإدارة تعقيد المهمة، صمم الباحثون نظامًا يحاكي الهيكل الاجتماعي لقطيع الذئاب. ففي الطبيعة، تصطاد قطعان الذئاب بهيكل هرمي واضح تقوده ذئبة ألفا، وبيتا، ودلتا، حيث يلعب كل منها دورًا محددًا في المطاردة. وقد ترجم الباحثون هذا السلوك إلى آلية رقمية حيث تعمل أفضل الحلول التي تم العثور عليها حتى الآن كقادة لهذه الأدوار. وبدلاً من محاولة التحرك بشكل مستمر مثل الذئب الحقيقي، تقوم النسخة الرقمية بحقن أجزاء محددة من حلول هؤلاء "القادة" في الخطط الحالية، مما يؤدي فعليًا إلى استبدال قطع من اللغز لمعرفة ما إذا كان الترتيب الجديد أفضل. ويتم التحكم في هذه العملية بعناية لضمان بقاء الحلول صالحة، مما يعني أن كل روبوت يحصل على هدف فريد واحد ولا يتم تعيين نفس الوظيفة لروبوتين. وللحفاظ على عدم وقوع النظام في رتابة محلية، أضاف الباحثون مكونًا تعليميًا يعمل مثل مدرب يعدل استراتيجية الفريق في الوقت الفعلي. يراقب هذا المدرب تقدم المجموعة ويقرر متى يشجع الاستكشاف الجريء والواسع للأفكار الجديدة ومتى يركز على تحسين الأفكار الأفضل الموجودة بالفعل. وهو يفعل ذلك عن طريق الضبط التلقائي لاحتمالات دمج الخطط المختلفة معًا أو إجراء تغييرات عشوائية صغيرة، مما يضمن بقاء الفريق قابلاً للتكيف طوال عملية البحث.
اختبر الباحثون هذه الطريقة الجديدة مقابل سبع خوارزميات أخرى باستخدام ثلاثة سيناريوهات مختلفة: شبكة صغيرة تضم اثني عشر روبوتًا، وشبكة متوسطة تضم عشرين، وشبكة كبيرة تضم ثلاثين. وفي كل اختبار، تفوق النظام الجديد على الآخرين، حيث وجد حلولاً لم تكن أفضل فحسب، بل كانت أيضًا أكثر اتساقًا. وفي الاختبارين الأصغر والأكبر، وجد النظام مجموعة من الحلول التي طابقت تمامًا جبهة المرجع المثالية النظرية، مما أظهر مستوى من الموثوقية لم تستطع الطرق الأخرى مضاهاته. وفي الاختبار متوسط الحجم، حسن جودة مجموعة الحلول الإجمالية بأكثر من عشرين بالمائة مقارنة بالطريقة التالية الأفضل، كما قلل المسافة إلى جبهة المرجع المثالية بنسبة تزيد عن تسعين بالمائة. وكان النظام فعالاً بشكل خاص في الحفاظ على مجموعة متنوعة من الخيارات الجيدة، مما يمنح المشغلين البشريين قائمة غنية من الخيارات بدلاً من مجرد خطة واحدة جامدة. وفي المقابل، واجهت الطرق الأخرى التي تعمل جيدًا في البيئات المستمرة والناعمة صعوبة كبيرة عند تطبيقها على هذه المشكلة المنفصلة القائمة على الشبكة، حيث أنتجت غالبًا خططًا يسلك فيها الروبوتات طرقًا فرعية غير ضرورية أو كانت الحلول متشابهة جدًا بحيث لا تقدم أي تنوع حقيقي.
تُظهر الدراسة أنه من خلال الجمع بين نقاط القوة لمختلف الأساليب الحاسوبية وإضافة طبقة من التعلم التكيفي، يمكن حل مشكلات التنسيق المعقدة لفرق الروبوتات بدقة واستقرار عاليين. ووجد الباحثون أن طريقتهم تعمل بشكل جيد عبر مقاييس مختلفة، من المجموعات الصغيرة إلى الأساطيل الأكبر، دون أن تفقد فعاليتها. وبينما أُجري العمل الحالي في بيئة محاكاة ذات عوائق ثابتة، فإن النتائج تشير إلى أداة قوية للتطبيقات في العالم الحقيقي مثل المستودعات وعمليات الإنقاذ حيث يكون التوازن بين السرعة والعدالة أمرًا بالغ الأهمية. ويقر المؤلفون بأن العمل المستقبلي سيحتاج إلى معالجة العوائق المتحركة والمهام الديناميكية، لكن النتائج الحالية توفر أساسًا قويًا وموثقًا لكيفية تنسيق روبوتات متعددة بكفاءة. ومن خلال إثبات أن هذا النهج الهجين يمكنه باستمرار إيجاد أفضل المقايضات بين الكفاءة الإجمالية وعبء العمل الفردي، يقدم هذا البحث مسارًا عمليًا لنشر فرق روبوتية أكثر ذكاءً وتعاونًا في العالم المادي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.