Adaptive multi-robot control through on-line parameter identification at system level

Abstract

Las instalaciones industriales y de almacenamiento están pobladas por equipos de vehículos guiados automáticos (AGVs por sus siglas en inglés), que se encargan de la logística interna. Las soluciones implementadas, del estado del arte para los procesos de toma de decisiones en la planificación y el control de este tipo de sistemas de robots múltiples (MRSs por sus siglas en inglés) no abarcan el análisis en tiempo real de los comportamientos de los robots y el medio ambiente. Las condiciones de las partes de los robots móviles (MRs por sus siglas en inglés), el estado de carga de las baterías y las condiciones del piso cambian y tienen una gran influencia en los comportamientos. Este trabajo propone un modelo de comportamiento parametrizado que toma en cuenta estos factores y calcula con precisión los costos de transporte a lo largo del tiempo. Al usarlo, el cálculo de los tiempos de recorrido de las rutas proporciona resultados más cercanos a la realidad que con otros métodos basados ​​en longitudes ponderadas, lo que ayuda a tomar mejores decisiones para el control y la administración del sistema. En este trabajo, hemos considerado un modelo de planta que se asemeja al de una fábrica, con varios bloques (unidades de almacenamiento, maquinaria, etcétera) que definen las carreteras y los cruces por los que se mueven los MRs. En este modelo, un grafo, con nodos como puertos (para cargar, descargar, verificar la carga, etcétera), uniones o bifurcaciones, y bordes como las conexiones entre ellos, representa la red de tráfico. Los robots llevan a cabo la tarea de recorrer los bordes para transportar materiales. El tiempo de recorrido de los bordes por MRs se propone como uno de los parámetros de costo. Se ha diseñado un modelo dependiente del estado bilineal para la predicción en tiempo real de los tiempos de recorrido. Los tiempos de viaje se estiman en línea usando este modelo a través de un Filtrado de Kalman. Las trayectorias se calculan constantemente por 100 veces y el promedio de los costos totales de ruta de dichas rutas se compara con el de las rutas obtenidas por los costos heurísticos. Los experimentos muestran que el promedio de los costos totales de rutas para las rutas obtenidas a través de los tiempos de viaje estimados en línea son un 15% menores que los de las rutas obtenidas por los costos heurísticos. Sin embargo, una buena estimación de los tiempos de viaje requiere datos históricos, obtenidos en instancias cercanas. No obstante, hay situaciones en las que los tiempos de viaje, para uno o más bordes durante toda la duración de la operación, no están disponibles para un robot individual. La propensión de esta ocurrencia radica en el hecho de que un borde puede no haber sido recorrido ni siquiera una vez por el robot, o el tiempo de viaje para ese borde se ha registrado en el pasado no reciente. Entonces, es imperativo que ese robot reúna los tiempos de viaje necesarios, de otros robots en el sistema como una observación de referencia. Pero, estas observaciones son de otros robots en diferentes condiciones de batería que el robot en cuestión. Aún así, el modelo puede predecir el tiempo de viaje del robot utilizando la observación de otros robots y su propio cambio o exploración en los tiempos de viaje hasta la instancia actual. El quid de este proceso es predecir los tiempos de viaje actuales en el robot utilizando el tiempo de viaje de otros para el mismo borde. El mecanismo de intercambio de información entre un robot y otros en el sistema se ha diseñado en forma de un conocimiento común basado en la ontología. Esta estructura de ontología es idéntica en cada robot y contiene los tiempos de viaje de los bordes con contextos adjuntos a cada dato sobre las posturas, los nodos que ese borde particular conecta y otras informaciones. Esta ontología ayuda a buscar y compartir información formando una base de conocimiento colectiva. Esto ayuda mucho al MR a estimar los tiempos de recorrido con mayor precisión. Esto afecta la planificación de rutas para encontrar rutas con un menor costo de ruta total. El promedio del costo total de 100 rutas generadas a través de los tiempos de recorrido obtenidos con el uso de información compartida es un 40% menor que el de las rutas generadas a través de los tiempos de recorrido sin compartir información.

Teams of automatic guided vehicles (AGVs) populate industrial and warehousing facilities and take care of the internal logistics. State-of-the-art, implemented solutions for decision-taking processes in planning and control of such kind of multi-robot systems (MRSs) do not encompass real-time analysis of behaviors of robots and environment. Conditions of parts of the mobile robots (MRs), state of charge of batteries and floor conditions change and have strong influence on behaviors. This work proposes a parameterized behavioral model which takes these factors into account and accurately estimates transportation costs over time. By using it, computation of path travel times gives results closer to reality than by other methods based on weighted lengths, thus helping to take better decisions for system control and management. In this work, we have considered a plant model that resembles that of a factory, with several blocks (storage units, machinery and so on) that define the roads and crossings where MRs move. In this model, a graph, with nodes being ports (for loading, unloading, load checking, et cetera) or junctions and bifurcation and edges being the connections among them, represents the traffic network. The robots carry out the task of traversing edges to carry materials. The travel time of edges by MRs is proposed as one such cost parameter. A bi-linear state dependent model has been devised for real-time prediction of travel times. The travel times are estimated online using this model through Kalman Filtering. The paths are computed constantly for 100 times and average of total path costs of these paths are compared with that of paths obtained by heuristics costs. The experiments show that average total path costs of paths obtained through on-line estimated travel times are 15% less that of paths obtained by heuristics costs. Nevertheless, a good estimation of travel times requires historical data, obtained at close instances, but there are situations when travel times for one or more edges for the entire duration of operation are not available to an individual robot. The proclivity of this occurrence lies in the fact that edge may not have been traveled even once by the robot, or travel time for that edge have been recorded not in recent past. Then, it is imperative for that robot to gather the necessary travel times from others in the system as a reference observation, but these observations are from other robots in different battery condition than itself. Still, the model can predict travel time for the robot using other robots’ observation and its own change or exploration in the travel times until the current instance. The crux of this process is to predict current travel times in the robot using others’ travel time for the same edge. The mechanism of information sharing between one robot to others in the system has been devised in a form of a common ontology-based knowledge. This ontology structure is identical in each robot which contains the travel times of edges with contexts attached to each data about the stances, the nodes of the edge connects and other information. This ontology helps to fetch and share information forming a collective knowledge base. This greatly helps the MR to estimate travel times more accurately. This affects route planning to find paths with lesser total path cost. The average of total cost of 100 paths generated through travel times obtained with sharing is 40% less than that of paths generated through travel times without sharing.