Home Deelprojecten totaal Zelforganiserende agents
Zelforganiserende agents

‘Swarm Intelligence’ voor waarnemings- en regelsystemen

(Self organizing Moving Agents for Distributed Sensing and Control).

Vanuit het overkoepelende ICIS concept werkt een aantal van de vele ICIS-onderzoekers aan slimmere situatieanalyse.

MierenMierenkolonies, zwermen vogels en scholen van vissen lijken gezamenlijk complexe taken uit te voeren. Vooral de samenwerking tussen mieren om bijvoorbeeld voedsel te vinden, dode soortgenoten op te ruimen en nesten te bouwen, is eigenlijk verbazingwekkend. Want terwijl de individuele mieren maar domme wezens zijn, die met een paar ingebouwde regels hun taken uitvoeren, is de groep toch in staat ogenschijnlijk intelligent werk te verzetten.

 


Toepassing van dit gegeven in de kunstmatige intelligentie noemen we swarm intelligence: intelligentie uit zwermen. Een specifieke vorm daarvan is Ant Colony Optimization (zie toelichting hiernaast).

Terwijl echte mieren feromonen (geursporen) achterlaten om de optimale oplossing in de ruimte te vinden, doen kunstmatige mieren (of beter: agents) dat door hun posities en de kwaliteit van hun oplossingen te registreren in een collectief geheugen.

 

Wilensky, U. (1999). NetLogo. http://ccl.northwestern.edu/netlogo/. 
Center for Connected Learning and Computer-Based Modeling,
Northwestern University, Evanston, IL

Een interessante toepassing van deze set van algoritmes is het optimaliseren van verkeersstromen. Agents in auto’s kunnen de kwaliteit van hun huidige route draadloos verzenden naar andere auto-agents in hun omgeving, die op basis hiervan hun routekeuze kunnen aanpassen.

We spreken met onderzoeker Jelmer van Ast, die in 2010 verwacht te promoveren op het onderwerp Self Organizing Moving Agents for Distributed Sensing and Control. Zijn promotoren zijn: Prof. Dr. Robert Babuska en Prof. Dr. Ir. Bart De Schutter.

Wat wordt onderzocht?

“Mijn onderzoek betreft kunstmatig intelligente agents, bijvoorbeeld in mobiele robots, die zichzelf organiseren. Ze worden niet centraal bestuurd, maar individueel geprogrammeerd met een paar simpele regels. Deze regels dienen dusdanig te worden ontworpen dat ze daarmee gezamenlijk zo efficiënt mogelijk een complexe taak kunnen uitvoeren. Een belangrijke eigenschap van zulke regels is dat elk individu maar een beperkt wereldbeeld nodig heeft om gezamenlijk toch het complete plaatje te kunnen overzien. Wij bestuderen hoe het geheel zich gedraagt op basis van individuele eigenschappen. Met andere woorden: wat betekenen lokale interacties voor het gezamenlijke gedrag?”, vertelt Van Ast.

Wat levert het onderzoek op?

  1. De onderzoeker is gestart met literatuurstudie naar swarm intelligence en heeft van daaruit een raamwerk opgesteld. In dat raamwerk wordt de hardware, de fysieke aanwezigheid (bijvoorbeeld de robot) gescheiden van de dynamische agent (de software of de kunstmatige intelligentie). Daarmee kon Van Ast de zwermen van bewegende agents goed modelleren.
  2. Vervolgens is er een toolbox in ontwikkeling om het gedrag van (kunstmatige) zwermen te beschrijven en te bestuderen. Naast deze toolbox is er een experimenteel platform, waarop de technieken ook in het echt zijn toe te passen en te bestuderen. In onderstaande video’s zien we twee experimenten. In video 1 hebben de robots elk afzonderlijk slechts de simpele regel: ‘houd x cm afstand tot buurman y’ gekregen. Het lijkt alsof ze centraal gestuurd worden, terwijl ze in werkelijkheid zelf in real-time de beslissingen nemen. Video 2 toont aan, dat ze dat ook stug volhouden, als de situatie verandert.


  3. Aan de regels voor de agent is vervolgens een derde element toegevoegd: de omgeving. De agent overziet de omgeving waarin hij zich bevindt. En kan via een communicatiekanaal informatie uitwisselen met andere agents. Dat is nodig, omdat de hardware (de robot) anders tegen van alles opbotst. Ook hiermee worden simulaties uitgevoerd en tests gedaan op het experimentele platform.
  4. Tot slot worden er case studies uitgevoerd, bijvoorbeeld voor toepassing van swarm intelligence in verkeersmanagement.

Wat hebben we eraan?

Er wordt internationaal veel onderzoek gedaan naar swarm intelligence en Ant Colony Optimization, maar de toepassing binnen ICIS voor regelsystemen is bijzonder. De wetenschappelijke relevantie is hoog, gezien de aandacht tijdens presentaties op diverse internationale conferenties.

Bovendien zijn er met deze technologie tal van toepassingen denkbaar binnen de ICIS-thema’s veiligheid en verkeer. Toepassingen die niet direct vandaag of morgen beschikbaar zullen zijn, maar als concepten wel degelijk relevant zijn in de huidige tijd.

RitsenVan Ast: “Hoewel we nog maar aan het begin staan, zijn er al wel toepassingen denkbaar. Bijvoorbeeld voor intelligenter ritsen in het verkeer.

Er zijn uitgebreide reclamecampagnes en verkeersborden nodig om mensen efficiënt te laten invoegen. En nog gaat het mis. Als onze technologie eenmaal zo goed is dat we het volledig vertrouwen, zou een automobilist vlak voor het invoegen tijdelijk de controle aan het systeem kunnen overlaten. Doordat auto-agents met elkaar in contact staan, kunnen ze de auto’s zo efficiënt mogelijk in een rij manoeuvreren.

Zo kunnen we ook files voorkomen. De auto-agents houden dan onderling automatisch de juiste afstand en snelheid aan. Als die agents dan ook nog communiceren met verkeerslicht-agents kun je ook in de bebouwde kom een geoptimaliseerde doorstroming realiseren.

Op andere gebieden van regelsystemen kun je denken aan kleine onbemande vliegtuigjes met camera’s die zich automatisch zodanig formeren dat een optimale dekking van een bepaald gebied ontstaat”, besluit Van Ast.

Download de project PDF

 

 

ESA

ESA is de afkorting van Enhanced Situation Awareness.

Dit cluster houdt zich bezig met slimmere situatieanalyse.

Met andere woorden: hoe kunnen mensen, maar ook kunstmatig intelligente systemen, zo slim mogelijk hun omgeving waarnemen en in kaart brengen?

Toelichting

Ant Colony Optimization

Ant Colony Optimization is een verzamelnaam van optimalisatie algoritmes gebaseerd op het gedrag van mieren in een kolonie.

Mieren laten, in hun zoektocht naar voedsel, geursporen (feromonen) achter als ze voedsel gevonden hebben en teruglopen naar hun nest, om de andere mieren de weg naar dit voedsel beter te laten vinden. Op deze indirecte manier van communiceren, helpt elk individu het collectief bij het vinden van de optimale paden naar voedsel in de omgeving.

De eerste mieren gaan nog helemaal willekeurig op zoek, maar de volgende doen dat al iets minder willekeurig, omdat ze door de feromonen gestuurd worden. Een optimalisatie van het vindproces. Gevolg: voedsel dat ver buiten het gezichtsveld van een enkele mier ligt, wordt dankzij deze vorm van swarm intelligence toch gevonden (bekijk de video hiernaast).

Voorbeeld

Stel je hebt een aantal stofzuigerrobots dat gezamenlijk zo efficiënt mogelijk een woonkamer moet stofzuigen. Met swarm intelligence is iedere robot dan slechts met een paar lokale regels geprogrammeerd, bijvoorbeeld:

  • - als ik een andere robot, of een ander obstakel tegenkom dan ontwijk ik het
  • - als ik stof tegenkom zuig ik het op
  • - als mijn batterij bijna leeg is, ga ik naar het stopcontact

Gecombineerd met regels die de kwaliteit van hun beslissingen uitdrukken, zoals: ‘hoe meer stof, hoe beter’, ‘hoe sneller hoe beter’ en ‘hoe minder stroomverbruik, hoe beter’, zullen de agents van de robots gezamenlijk de meest efficiënte werkwijze leren (dit heet: reïnforcement learning).