Uso da neuroevolução no contexto de robótica de enxame para coleta de recursos

Abstract

Resumo : Este trabalho investiga o uso de técnicas da neuroevolução aplicadas à Robótica de Enxame em um contexto de coleta de recursos, utilizando um simulador realista de sistemas robóticos multirrobô. A proposta consiste em utilizar algoritmos genéticos para evoluir redes neurais artificiais, que servem como controladores homogêneos de um enxame de robôs. A motivação da pesquisa surge da busca por métodos autônomos, robustos e adaptáveis para enxames robóticos, que dispensam a necessidade de regras explícitas codificadas manualmente. Para isso, foram combinados conceitos de redes neurais computacionais, algoritmos evolutivos e inteligência de enxame. Ametodologia compreende o desenvolvimento de um controlador robótico único para todos os indivíduos do enxame utilizando uma rede neural gerada por um algoritmo genético. O ambiente simulado contempla um ninho e uma fonte de recursos, para que os robôs realizem o forrageamento. A função de aptidão foi baseada em comportamentos inerentes ao forrageamento, como atingir a fonte de recursos, retornar ao ninho com recursos, e evitar períodos de inatividade. As redes neurais sofreram operações genéticas de seleção, recombinação e mutação, com variações na quantidade de gerações, tamanho das populações e quantidade de obstáculos dos mapas, para averiguar impactos desses fatores. implementação do controlador foi realizada no simulador ARGoS3, em C++, utilizando o modelo de robô e-puck. As redes neurais foram implementadas utilizando a biblioteca Dlib, e o algoritmo genético foi desenvolvido em Python. A lógica de comunicação entre os indivíduos foi baseada no sensor Range and Bearing do robô, permitindo que indivíduos compartilhassem informações sobre seus estados e localização de recursos de maneira descentralizada Foram conduzidos experimentos com diferentes estratégias evolutivas e em múltiplos cenários. Os resultados demonstraram que, ao longo das gerações, os robôs desenvolveram com portamentos emergentes de cooperação, otimizando a coleta de recursos. Foi observado também que características como elitismo e diversidade populacional influenciam significativamente na qualidade da solução final

Abstract : This work investigates the use of neuroevolution techniques applied to Swarm Robotics in a resource foraging context, using a realistic simulator for multi-robot systems. The proposed approach consists of using genetic algorithms to evolve artificial neural networks that serve as homogeneous controllers for a swarm of robots. The motivation for this research lies in the search for autonomous, robust, and adaptable methods for robotic swarms, eliminating the need for manually coded explicit rules. To achieve this, concepts from computational neural networks, evolutionary algorithms, and swarm intelligence were combined. The methodology involves the development of a single robotic controller, shared by all swarm individuals, based on a neural network evolved through a genetic algorithm. The simulated environment includes a nest and a resource source, enabling the robots to perform foraging tasks. The fitness function was based on behaviors inherent to foraging, such as reaching the resource source, returning to the nest with resources, and avoiding idle periods. The neural networks underwent genetic operations including selection, recombination, and mutation, with variations in the number of generations, population size, and the number of obstacles in the maps, in order to evaluate the impact of these factors. The controller was implemented in the ARGoS3 simulator using C++, with the e-puck robot model. The neural networks were implemented using the Dlib library, and the genetic algorithm was developed in Python. Communication among individuals was based on the robot’s Range and Bearing sensor, allowing robots to share information about their states and resource locations in a decentralized manner. Experiments were conducted with different evolutionary strategies and across multiple scenarios. The results showed that, over successive generations, the robots developed emergent cooperative behaviors, optimizing the resource foraging process. It was also observed that characteristics such as elitism and population diversity significantly influenced the quality of the final solution