📄Работа №141725
Тема: Многоагентное планирование траектории в условиях частичной наблюдаемости
Тип работы
Бакалаврская работа
Предмет
математика и информатика
Объем:
42 листов
Год:
2022
Просмотров:
76
4600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1. Обзорный раздел по предметной области 6
1.1. Описание задачи 6
1.2. Обзор литературы 7
1.3. Планирование траектории 8
1.4. Планирование траектории с ограниченной наблюдаемостью 9
1.5. Многоагентное планирование траектории (MAPF) 10
2. Методы и алгоритмы 11
2.1. Формальная постановка задачи 11
2.1.1 Карта 11
2.1.2 Планирование траектории агента 11
2.1.3 Многоагентное планирование траектории 12
2.1.4 Планирование траектории с условием частичной наблюдаемости 14
2.1.5 Многоагентное планирование траектории с условием
частичной наблюдаемости 15
2.1.6 Общая схема алгоритма 17
2.2. Централизованная постановка задачи 18
2.2.1 Постановка и схема алгоритма 18
2.2.2 Оптимизация планирования 19
2.3. Частично-децентрализованная постановка задачи 21
2.3.1 Постановка и схема алгоритма 21
2.3.2 Посредничество 22
2.4. Полная-децентрализованная постановка задачи 23
3. Программная реализация 29
3.1. Реализация алгоритмов и прототипа системы 29
3.2. Реализация программы для визуализации работы алгоритмов 31
4. Результаты экспериментов 33
4.1. Оптимизация планирования 34
4.2. Сравнение разных постановок задачи 35
4.3. Выбор стратегии для полностью-децентрализованной версии 36
Заключение 39
Благодарность 39
Список литературы 40
1. Обзорный раздел по предметной области 6
1.1. Описание задачи 6
1.2. Обзор литературы 7
1.3. Планирование траектории 8
1.4. Планирование траектории с ограниченной наблюдаемостью 9
1.5. Многоагентное планирование траектории (MAPF) 10
2. Методы и алгоритмы 11
2.1. Формальная постановка задачи 11
2.1.1 Карта 11
2.1.2 Планирование траектории агента 11
2.1.3 Многоагентное планирование траектории 12
2.1.4 Планирование траектории с условием частичной наблюдаемости 14
2.1.5 Многоагентное планирование траектории с условием
частичной наблюдаемости 15
2.1.6 Общая схема алгоритма 17
2.2. Централизованная постановка задачи 18
2.2.1 Постановка и схема алгоритма 18
2.2.2 Оптимизация планирования 19
2.3. Частично-децентрализованная постановка задачи 21
2.3.1 Постановка и схема алгоритма 21
2.3.2 Посредничество 22
2.4. Полная-децентрализованная постановка задачи 23
3. Программная реализация 29
3.1. Реализация алгоритмов и прототипа системы 29
3.2. Реализация программы для визуализации работы алгоритмов 31
4. Результаты экспериментов 33
4.1. Оптимизация планирования 34
4.2. Сравнение разных постановок задачи 35
4.3. Выбор стратегии для полностью-децентрализованной версии 36
Заключение 39
Благодарность 39
Список литературы 40
📖 Введение
Многоагентные системы планирования траектории - одна из развивающихся направлений искусственного интеллекта. Разработки в этой области активно применяются в компьютерных играх, авиации [1] и робототехнике. При разработке систем многоагентного планирования траектории перед разработчиками появляется ряд задач. Одной из таких задач является эффективное планирование траектории для каждого агента от начальной позиции до конечной и координация агентов между собой так, чтобы они не мешали движению других агентов.
Зачастую, агенты не могут знать всю местность заранее, но могут автоматически наблюдать за ней в определенном диапазоне вокруг себя и запоминать ее для использования в будущем. Например, такие ситуации встречаются при разработке навигации для персонажей в компьютерных играх реального времени (таких, как Baldur’s Gate (рис. 1), Total Annihilation, Age of Empires или Dark Reign).Агенты в нашей задаче могут не знать всю местность заранее и в ходе их движения по местности могут возникнуть большое количество непредвиденных обстоятельств, которые затрудняют поиск. По мере того как агенты перемещаются по местности, они наблюдают за ней все больше, что ускоряет будущие поиски, поскольку уменьшает количество возможных непредвиденных обстоятельств. Также, агенты могут обмениваться между собой какой-то информацией для того, чтобы помогать другим агентам избегать конфликтов с другими агентами или препятствиями. В данной ситуации нахождение оптимального решения - сложно-разрешимая задача и необходимо использовать производительный поисковый подход, который может немного пожертвовать оптимальностью результирующих траекторий ради общей производительности. Результирующие траектории, вероятно, не являются оптимальными, но это часто перевешивается экономией вычислений.
Целью данной дипломной работы является в исследование формальной постановки задачи многоагентного планирования траектории в условиях частичной наблюдаемости, различных постановок данной задачи и разработка системы навигации групп мобильных агентов для решения данной задачи.
Зачастую, агенты не могут знать всю местность заранее, но могут автоматически наблюдать за ней в определенном диапазоне вокруг себя и запоминать ее для использования в будущем. Например, такие ситуации встречаются при разработке навигации для персонажей в компьютерных играх реального времени (таких, как Baldur’s Gate (рис. 1), Total Annihilation, Age of Empires или Dark Reign).Агенты в нашей задаче могут не знать всю местность заранее и в ходе их движения по местности могут возникнуть большое количество непредвиденных обстоятельств, которые затрудняют поиск. По мере того как агенты перемещаются по местности, они наблюдают за ней все больше, что ускоряет будущие поиски, поскольку уменьшает количество возможных непредвиденных обстоятельств. Также, агенты могут обмениваться между собой какой-то информацией для того, чтобы помогать другим агентам избегать конфликтов с другими агентами или препятствиями. В данной ситуации нахождение оптимального решения - сложно-разрешимая задача и необходимо использовать производительный поисковый подход, который может немного пожертвовать оптимальностью результирующих траекторий ради общей производительности. Результирующие траектории, вероятно, не являются оптимальными, но это часто перевешивается экономией вычислений.
Целью данной дипломной работы является в исследование формальной постановки задачи многоагентного планирования траектории в условиях частичной наблюдаемости, различных постановок данной задачи и разработка системы навигации групп мобильных агентов для решения данной задачи.
✅ Заключение
В ходе выполнения работы были исследованы задачи многоагентного планирования траектории и планирования траектории в условиях частичной наблюдаемости. Был проведен анализ технической литературы, на его основе были разработаны новые алгоритмы для задачи многоагентного планирования траектории в условиях частичной наблюдаемости, основанные на изученных алгоритмах многоагентного планирования и планирования в условиях частичной наблюдаемости. Данные алгоритмы были реализованы, на их основе был разработан прототип системы планирования движения роботов на языке программирования C++. Было проведено экспериментальное исследование производительности написанных алгоритмов.
К основным результатам работы относится программная реализация алгоритмов и системы планирования движения группы агентов в условиях частичной наблюдаемости и также результаты экспериментального исследования алгоритмов.
На основании экспериментальных исследований можно сделать вывод, что версии, в которых происходил обмен между агентами большим количеством информации, показывают лучшие результаты. Для версии алгоритма с полной децентрализацией лучше всего себя показывает стратегия «Квад- рат+», так как в отличие от других стратегий она лишена случаев взаимной блокировки.
В будущих работах планируется разработка стратегий, основанные на субоптимальных алгоритмах основанных на правилах (TASS, Push And Swap), использовать подходы с других алгоритмов частичной наблюдаемости (например как LSS-LRTA*) или других алгоритмов многоагентного планирования траектории.
К основным результатам работы относится программная реализация алгоритмов и системы планирования движения группы агентов в условиях частичной наблюдаемости и также результаты экспериментального исследования алгоритмов.
На основании экспериментальных исследований можно сделать вывод, что версии, в которых происходил обмен между агентами большим количеством информации, показывают лучшие результаты. Для версии алгоритма с полной децентрализацией лучше всего себя показывает стратегия «Квад- рат+», так как в отличие от других стратегий она лишена случаев взаимной блокировки.
В будущих работах планируется разработка стратегий, основанные на субоптимальных алгоритмах основанных на правилах (TASS, Push And Swap), использовать подходы с других алгоритмов частичной наблюдаемости (например как LSS-LRTA*) или других алгоритмов многоагентного планирования траектории.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.