Implementation of Collective Perception Strategy in a Self-Organizing Swarm System Using Bayesian Decision Rule

Cover Page

Cite item

Full Text

Abstract

Relevance. Improving collective perception strategies in swarm systems is a key challenge for enhancing the efficiency of autonomous robotic groups in complex and dynamic environments. Existing approaches, such as DMMD, DMVD, and DC, have limited capabilities in classifying objects with non-obvious features, necessitating the development of new methods. Objective. Increasing the accuracy of perceiving specific characteristics of an object investigated by a multi-agent robotic system. Methods. The proposed criterion employs a Bayesian decision rule to update the posterior probabilities of alternatives based on data collected by the robots. The validity of the proposed solutions was confirmed through simulation of a typical collective perception task on a defined tested. Results. A comparison was made with established collective perception strategies: DMMD, DMVD, and DC. It was shown that these strategies have limited applicability in classifying complex objects. A software implementation of the collective perception scenario was tested in a swarm robotic system consisting of 20 robots inspecting a scene composed of multicolored tiles. The experimental results demonstrated that the authors' approach endowed the robot swarm with previously unattainable functional capabilities in collective perception for complex scenarios. Novelty. A method for detecting object properties using a statistical criterion was proposed. The strategy quantifies the consensus-building process among swarm members over sequential time steps, followed by intra- and inter-period processing of information generated by the swarm's robots. The results expand the theoretical foundations of swarm intelligence by introducing a new method for processing distributed information. Practical significance lies in improving the efficiency of swarm systems for monitoring, search, and classification tasks in medicine, ecology, and other fields.

About the authors

I. A. Zikratov

The Bonch-Bruevich Saint Petersburg State University of Telecommunications

Email: zikratov.ia@sut.ru

T. V. Zikratova

Naval Polytechnic Institute of Navy Development of the Military Research and Educational Center of the Navy “Naval Academy named after Admiral of the Fleet of the Soviet Union N.G. Kuznetsov”

Email: ztv64@mail.ru

E. A. Novikov

The Bonch-Bruevich Saint Petersburg State University of Telecommunications

Email: novikov.ea@sut.ru

References

  1. Dorigo M., et al. Swarm robotics // Scholarpedia. 2014;9(1):1463. doi: 10.4249/scholarpedia.1463
  2. Campo A., Garnier S., Dedriche O., Zekkri M., Dorigo M. Self-Organized Discrimination of Resources // PLoS ONE. 2011. Vol. 6. Iss. 5. P. e19888. doi: 10.1371/journal.pone.0019888
  3. Sailor M.J., Link J.R. “Smart dust”: nanostructured devices in a grain of sand // Chemical Communications. 2005. Iss. 11. P. 1375. doi: 10.1039/b417554a. EDN:MHMXGT
  4. Montes de Oca M.A., Ferrante E., Scheidler A., Pinciroli C., Birattari M., Dorigo M. Majority-rule opinion dynamics with differential latency: a mechanism for self-organized collective decision-making // Swarm Intelligence. 2011. Vol. 5. Iss. 3-4. PP. 305–327. doi: 10.1007/s11721-011-0062-z. EDN:GHZZLS
  5. Городецкий В.И. Поведенческие модели кибер-физических систем и групповое управление: основные понятия // Известия ЮФУ. Технические науки. 2019. № 1(203). С. 144–162. doi: 10.23683/2311-3103-2019-1-144-162. EDN:LYUZBR
  6. Карпов В.Э. Социальные сообщества роботов: от реактивных к когнитивным агентам // Мягкие измерения и вычисления. 2019. № 2(15). С. 61‒78. EDN:SEFEFV
  7. Зикратов И.А., Викснин И.И., Зикратова Т.В. Мультиагентное планирование проезда перекрестка дорог беспилотными транспортными средствами // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16. № 5. С. 839‒849. doi: 10.17586/2226-1494-2016-16-5-839-849. EDN:WRPHSP
  8. Юрьева Р.А., Комаров И.И., Викснин И.И. Иммунологические принципы принятия решения в мультиагентных робототехнических системах // Глобальный научный потенциал. 2015. Т. 5. № 50. С. 87‒91. EDN:UKOVSB
  9. Strobel V., Ferrer E.C., Dorigo M. Managing Byzantine Robots via Blockchain Technology in a Swarm Robotics Collective Decision Making Scenario // Proceedings of the 17th International Conference on Autonomous Agents and Multiagent Systems (AAMAS '14, Stockholm Sweden, 10‒15 July 2018). IFAAMAS, 2018. PP. 541‒549.
  10. Иванов Д.Я. Методы роевого интеллекта для управления группами малоразмерных беспилотных летательных аппаратов // Известия ЮФУ. Технические науки. 2011. № 3(116). С. 221–229. EDN:NPKHEP
  11. Каляев И.А., Гайдук А.Р., Капустян С.Г. Модели и алгоритмы коллективного управления в группах роботов. М.: ФИЗМАТЛИТ, 2009. 280 с. EDN:MUWSIT
  12. Саенко И.Б., Соколов А.П., Лаута О.С., Губский П.М. Методика целераспределения при групповом полете мини-БПЛА к целям // Информация и космос. 2024. № 2. С. 113‒120. EDN:CGIZBA
  13. Valentini G., Brambilla D., Hamann H., Dorigo M. Collective Perception of Environmental Features in a Robot Swarm // Proceedings of the 10th International Conference on Swarm Intelligence (Brussels, Belgium, 7‒9 September 2016). Lecture Notes in Computer Science. Cham: Springer, 2016. Vol. 9882. PP. 65‒76. doi: 10.1007/978-3-319-44427-7_6
  14. Fagiolini A., Pellinacci M., Valenti G., Dini G., Bicchi A. Consensus-based distributed intrusion detection for multirobot systems // Proceedings of the International Conference on Robotics and Automation (ICRA 2008, Pasadena, USA, 19‒23 May 2008). PP. 120‒127. doi: 10.1109/ROBOT.2008.4543196
  15. Valentini G., Hamann H. Time-variant feedback processes in collective decision-making systems: influence and effect of dynamic neighborhood sizes // Swarm Intelligence. 2015. Vol. 9. PP. 153–176. doi: 10.1007/s11721-015-0108-8
  16. Reina A., Valentini G., Hamann H., Dorigo M. A Design Pattern for Decentralised Decision Making // PLoS ONE. 2015. Vol. 10. doi: 10.1371/journal.pone.0140950
  17. Зикратов И.А., Зикратова Т.В. Использование поведенческих моделей для исследования социумов роботов // Информация и космос. 2022. № 4. С. 170–174. EDN:DQASLC
  18. Зикратова Т.В. Метод группового управления в мультиагентных робототехнических системах в условиях воздействия дестабилизирующих факторов // Труды учебных заведений связи. 2021;7(3):92‒100. doi: 10.31854/1813-324X-2021-7-3-92-100. EDN:JFMYBF
  19. Valentini G. Indirect Modulation of Majority-Based Decisions // Studies in Computational Intelligence. 2017. Vol. 706. PP. 55‒66. doi: 10.1007/978-3-319-53609-5_4
  20. Valentini G., Hamann H., Dorigo M. Efficient Decision-Making in a Self-Organizing Robot Swarm: On the Speed Versus Accuracy Trade-Off // Proceedings of the 14th International Conference on Autonomous Agents and Multiagent Systems (AAMAS '15, Istanbul, Turkey, 4‒8 May 2015). IFAAMAS, 2015. PP. 1305–1314.
  21. Valentini G., Hamann H., Dorigo M. Self-organized collective decision making: the weighted voter model // Proceedings of the 13th International Conference on Autonomous Agents and Multiagent Systems (AAMAS '14, Paris, France, 5‒9 May 2014). IFAAMAS, 2014. PP. 45–52.
  22. Valentini G. Achieving Consensus in Robot Swarms // Studies in Computational Intelligence. 2017. Vol. 706. doi: 10.1007/978-3-319-53609-5
  23. Valentini G., Ferrante E., Hamann H., Dorigo M. Collective decision with 100~Kilobots: speed versus accuracy in binary discrimination problems // Autonomous Agents and Multi-Agent Systems. 2015. Vol. 30. Iss. 3. PP. 553–580. doi: 10.1007/s10458-015-9323-3
  24. Valentini G., Hamann H., Dorigo M. Self-Organized Collective Decision-Making in a 100-Robot Swarm // Twenty-Ninth AAAI Conference on Artificial Intelligence. 2015. Vol. 29. Iss. 1. doi: 10.1609/aaai.v29i1.9720
  25. Рябцев С.С. Метод выявления вредоносных роботов на основе данных процесса коллективного принятия решений в роевых робототехнических системах // Системы управления, связи и безопасности. 2022. № 3. С. 105‒137. doi: 10.24412/2410-9916-2022-3-105-137. EDN:SVSCHG
  26. Зикратов И.А., Зикратова Т.В., Новиков Е.А. Алгоритм защиты роевых робототехнических систем от атак вредоносных роботов с координированной стратегией поведения // Труды учебных заведений связи. 2024. Т. 10. № 3. С. 75‒86. doi: 10.31854/1813-324X-2024-10-3-75-86. EDN:XUDVOR

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».