Hur kan vi skapa intelligenta svärmrobotsystem för verkliga tillämpningar?

Designen av svärmintelligens följer ofta en botten-upp metod, där det globala beteendet implicit bestäms genom att definiera lokala interaktionsregler. Detta kräver att man löser ett omvänt problem genom heuristik för att styra designen av de lokala reglerna. I svärmintelligens-scenarier som inte är bundna till en fysisk verklighet, till exempel generiska optimeringsapplikationer, är det relativt enkelt att definiera de heuristiska reglerna som leder till det önskade globala beteendet, eftersom de styrs av optimeringsmålet. Däremot, i inbäddade svärm-applikationer, som till exempel CPS-svärmar, blir denna uppgift betydligt mer komplex på grund av den flerskiktade, osäkra och svårt förutsägbara strukturen hos miljön.

Dessa metoder, även om de är exemplifierade i specifika tillämpningar, har stor potential att utvidgas till andra domäner. Till exempel skulle ett algoritm från autonoma markrobotar kunna anpassas till autonoma luftfarkoster efter att ytterligare restriktioner har beaktats (luftfarkoster kan inte lätt kollidera utan att ta skada) och med en tredje dimension av rörelse (höjd). Alla dessa arbeten markerar viktiga bidrag till den automatiska genereringen av regler som kan återanvändas eller utökas för mer allmänna fall av CPS-svärmar.

Trots dessa framsteg är det viktigt att förstå att dessa metoder har testats i relativt enkla scenarier och har endast tillämpats på homogena svärmar. Därför behöver dessa metoder förbättras för att hantera de komplexiteter som uppstår vid hantering av heterogena svärmar i CPS. Dessutom ställs dessa metoder inför svårigheter när de arbetar med stora och komplexa sökrymder, vilket ofta kallas för "dimensionalitetsförbannelsen". Som ett resultat kan de nuvarande automatiska genereringssystemen vara opraktiska för systematiskt bruk när det gäller att syntetisera de komplexa beteenden som krävs av CPS-svärmar.

En annan viktig aspekt som måste beaktas är vikten av att kombinera modellverifieringsmetoder för allmänna CPS med automatisk regelsyntes och verifiering i fysiska svärmar. Denna kombination skulle säkerställa en systematisk och pålitlig metod för att hantera de utmaningar som är förknippade med CPS-svärmsystem.

När det gäller de verkliga utmaningarna vid implementering av svärmsystem har majoriteten av forskningen och de tester som genomförts hittills fokuserat på svärmrobotplattformar. Dessa system använder små, enkla robotar med grundläggande sensorer och begränsade datautbyten, vilket gör dem användbara för demonstrationer av självorganiserande beteenden, men de är svåra att skala upp för verkliga tillämpningar. Deras tillförlitlighet, förutsägbarhet och effektivitet behöver omvärderas när samma metoder ska tillämpas på komplexa uppgifter i realistiska miljöer.

Det kan innebära att man går från minimal resursanvändning och begränsad informationsutbyte till att utnyttja sensordata i större utsträckning och förbättra informationsdelningen. Ett exempel på detta är Intels Shooting Star-drönarsvärm som under invigningen av de olympiska vinterspelen 2018 genomförde en imponerande luftshow med 1218 drönare. Även om systemet kallas en svärm, är det inte riktigt en svärmintelligens i strikt bemärkelse; det fungerar som ett delvis distribuerat system med en central controller där varje drönare följer förberäknade banor och använder ett exakt positioneringssystem för navigering.

För att effektivt utföra uppgifter i verkliga världen kan det vara nödvändigt att överge alltför restriktiva antaganden och istället anta en pragmatisk och balanserad metod, där man kombinerar botten-upp design av svärmintelligens med top-down metoder när det är möjligt.

En annan betydande utmaning för implementeringen av verkliga svärmsystem är systemens underhåll genom hela deras operativa livslängd. Trots att de är svärm-system, kommer komplexa tekniska system som ska verka tillförlitligt över lång tid kräva noggrant underhåll för att säkerställa oavbruten drift. Det är fortfarande en öppen fråga om det kommer att vara enklare att underhålla ett svärmsystem med dess unika karaktäristika än för individuella robotsystem.

Hur kan svärmintelligens tillämpas i cyber-fysiska system (CPS)?

Svärmintelligens har sitt ursprung i observationer av biologiska system, där organismer som myror, bin och fiskar samarbetar för att uppnå gemensamma mål utan behovet av central styrning. Dessa biologiska system kan inspirera till utveckling av tekniska system, där liknande principer för kollektivt beteende kan appliceras på en mängd olika komplexa system. I kontexten av cyber-fysiska system (CPS), där fysiska enheter är sammankopplade med digitala processer, erbjuder svärmintelligens en metod för att hantera de utmaningar som kommer med att koordinera och kontrollera ett stort antal interagerande enheter.

Svärmintelligens är inte begränsad till naturen, utan kan tillämpas på alla komplexa system som består av många interagerande komponenter. Dessa system kan uppvisa nyttiga egenskaper som kollektivt beslutsfattande, reglering, homeostas och periodiska mönster. För att kunna utnyttja ett kollektivt system – oavsett om det består av levande organismer eller inte – som en källa till inspiration för att designa svärmintelligenta system, är det viktigt att förstå varför och hur systemet fungerar effektivt. Det handlar om att extrahera och abstrahera de beteenden som observeras i naturliga svärmar och sedan översätta dessa till CPS-domänen.

En av de största utmaningarna vid användning av svärmintelligens i CPS är att många av de befintliga algoritmerna inte är direkt tillämpliga för denna nya typ av system. Till exempel kräver Ant Colony Optimization, som är en välkänd algoritm inom svärmintelligens, att varje CPS-enhet ska kunna använda sin omgivning för informationsutbyte genom stigmergi. Detta innebär att varje enhet skulle behöva utbyta information genom sina handlingar i den fysiska världen, vilket kan vara problematiskt i många moderna tekniska system där CPS-enheterna är mer fristående.

Trots dessa utmaningar finns det potential för framtida användning av svärmtekniker för att förbättra funktionaliteten i CPS. Det handlar om att förstå systemets dynamik och utforma algoritmer som kan dra nytta av interaktionen mellan de många enheterna. I en sådan framtid kan CPS-enheterna samarbeta för att lösa problem och fatta beslut kollektivt utan behov av central styrning. Detta skulle vara en stor fördel för de system som kännetecknas av en konstant förändrande miljö och där snabb anpassning till förändringar är nödvändigt.

En grundläggande egenskap hos svärmssystem är att de består av många enheter som är relativt enkla och homogena. Varje enhet, eller "agent", är inte kapabel att uppnå systemets globala mål på egen hand. Målet är snarare att genom lokal interaktion och emergent beteende uppnå ett resultat som inte kan förutses från varje enhets individuella handlingar. Detta gör att svärmssystem kan vara väldigt effektiva, särskilt när uppgiften som ska lösas är komplex och inte kan hanteras av en enda agent. I kontrast till detta kan multi-agent system ha heterogena enheter, där varje agent har sin egen specifika funktion och kan uppnå målet självständigt, även om det kan ta längre tid.

En annan viktig egenskap hos svärmssystem är frånvaron av central styrning. I stället för att ett centralt kontrollsystem styr alla enheter, styrs systemet av de lokala reglerna och interaktionerna mellan agenterna. Detta gör att svärmssystem kan fungera mycket effektivt i distribuerade miljöer, där det inte är praktiskt att ha en central enhet som styr hela systemet. Multi-agent system, å andra sidan, kan ibland vara beroende av centraliserad kontroll för att organisera de olika agenternas arbete.

Med den växande mängden sammankopplade CPS-enheter blir traditionella kontrollmodeller allt mer svårhanterliga. Enligt en rapport från Juniper Research 2018 förväntas antalet sammankopplade enheter att öka till 50 miljarder år 2022. Detta innebär att vi står inför en verklig utmaning i att hantera och koordinera alla dessa enheter, särskilt i dynamiska och oförutsägbara miljöer. Här kan svärmintelligens erbjuda en lösning, genom att möjliggöra självorganisering och anpassning inom ett system där varje enhet är autonom men fortfarande samverkar för att nå gemensamma mål.

Cyber-fysiska system är redan en dominerande teknologi för att hantera denna typ av komplexitet, där fysiska objekt och digitala processer sammanflätas för att skapa nya typer av intelligenta system. Dessa system integrerar sensorer, beräkning, kontroll och nätverkskommunikation i fysiska objekt, vilket gör att de kan interagera med omvärlden på ett sätt som tidigare var otänkbart. Svärmintelligens kan spela en nyckelroll i att förbättra dessa system genom att erbjuda lösningar för självorganisering och effektiv kommunikation mellan enheterna.

När vi nu ser på framtiden för CPS och svärmintelligens, är det viktigt att förstå att systemens framgång beror på förmågan att skapa robusta och flexibla algoritmer som kan hantera både interna och externa förändringar. För att dessa system ska kunna möta de krav som ställs på dem – som skalbarhet, säkerhet, och anpassningsförmåga – måste vi fortsätta att utveckla nya modeller för svärmintelligens som kan fungera effektivt i den komplexa, dynamiska värld vi lever i.

Hur utvecklas självorganiserande system med hjälp av evolutionära algoritmer?

Forskning inom swarmrobotik har särskilt utnyttjat dessa algoritmer för att skapa system där flera robotar, eller enheter, samarbetar för att utföra uppgifter såsom sökning, kartläggning och förflyttning i dynamiska miljöer. Ett exempel på detta är användningen av magneto-aerotaktiska bakterier för att leverera läkemedel till svåråtkomliga områden i tumörer, där mekanismen för dessa självorganiserande mikro-organismer kan fungera som en inspirationskälla för utvecklingen av liknande teknologier inom robotik. Enligt studier som publicerades i Nature Nanotechnology visade det sig att mikrober med förmåga att navigera i svåra miljöer genom magnetfält och aerodynamiska krafter kan skapa autonoma system med specifika mål.

Ett annat centralt område där evolutionära algoritmer används är skapandet av flockningsbeteenden hos robotar. Här studeras hur en stor mängd enheter, som initialt är enkla och utan koordinerad kommunikation, kan utveckla komplexa, koordinerade rörelser baserat på lokala interaktioner och omgivande stimuli. Ferrante et al. (2012) och andra forskare inom swarmrobotik har visat att en enkel algoritm som styr robotarnas rörelser baserat på närhet till andra robotar och miljöfaktorer kan resultera i en kollektiv rörelse där flocken fungerar som en enhet.

För att förstå denna process behöver vi ta hänsyn till flera faktorer. För det första spelar interaktionsregler en avgörande roll i hur systemen utvecklas. I vissa system kan till exempel pheromoner användas för att skapa kommunikation mellan robotarna, vilket liknar hur insekter som myror och bin kommunicerar för att hitta föda eller bygga bon. I robotflockar kan dessa signaler representeras genom lokala sensorer eller utsänd kommunikation, vilket gör att varje robot kan "känna av" närvaron och handlingarna hos andra enheter.

Samtidigt är det viktigt att förstå den fundamentala kopplingen mellan robusthet och systemdesign. För att ett självgenererat system som detta ska vara effektivt, måste det vara resistent mot störningar och förluster i enskilda enheter. Det är här som modeller för robusthetstestning, som de som beskrivs av Fernandez et al. (2005), blir avgörande. Genom att skapa simulerade miljöer och föra tester som utvärderar hur systemet svarar på olika typer av förluster och störningar, kan man designa algoritmer som gör flocksystem mer hållbara över tid.

Vidare, även om flockningsalgoritmer och självorganisering kan verka som en naturlig lösning för att skapa effektiva, flexibla system, måste det också förstås att komplexiteten i interaktionerna kan leda till oönskade fenomen. I vissa fall kan ett system, trots att det är självorganiserande, visa instabilitet eller oväntade beteenden om interaktionsreglerna inte är noggrant optimerade. Därför måste utvecklare noggrant analysera och justera parametrarna för dessa algoritmer, ofta genom experiment och simuleringar, för att undvika sådana problem.

För att effektivt implementera dessa teknologier i praktiken måste man också förstå hur interaktionsnätverk fungerar på systemnivå. Ett system med många enheter är inte bara summan av de enskilda enheterna, utan snarare ett dynamiskt nätverk av interaktioner som skapar nya, emergenta egenskaper. I detta avseende handlar det inte bara om att skapa intelligenta enheter, utan om att designa nätverken mellan dem för att uppnå optimal funktionalitet. Forskning som den av Gates och Rocha (2016) har visat att både strukturen och dynamiken i dessa nätverk är viktiga för att uppnå långsiktig framgång i komplexa system.

Sammanfattningsvis visar dessa olika perspektiv på hur självorganiserande system kan utvecklas och optimeras genom användning av evolutionära algoritmer. Genom att noggrant analysera och designa interaktionsregler, kommunikationsstrategier och robusthetstester kan dessa system användas för att skapa kraftfulla lösningar inom robotik och andra teknologier som bygger på kollektiv intelligens.