1. סמינר ברובוטיקה רב סוכנית THE DYNAMICS OF COLLECTIVE SORTING ROBOT-LIKE ANTS AND ANTS-LIKE ROBOTS ROBOT-LIKE ANTS AND ANTS-LIKE ROBOTS J.L. Deneubourg, S. Goss, N. Franks, A. Sendova-Franks, C. Detrain and L. Chretin COLLECTIVE SORTING AND SEGREGATION IN ROBOTS WITH MINIMAL SENSING Chris Melhuish, Owen Holland and Steve Hoddell SORTING מבוסס על המאמרים : מגישים : אסף מבורך נועה שחם גיא מנור

2. המשימה : נתון שטח כלשהו בו מפוזרים אקראית עצמים מסוגים שונים. יש למיין את העצמים ע ” פ סוג ולרכזם בקבוצות. נציג שיטה המנסה לבצע את המשימה בעזרת “ סוכנים ” תוך שימוש בשיטות פעולה מעולם הנמלים. בהמשך נציג גם ניסויי של מיון באמצעות רובוטים.

3. מחסן - ידועה מ ” מפת ” המחסן - יש מנהל מחסן ופועלים - ישנה תקשורת בין הפועלים לבין עצמם. : קן נמלים - לא ידועה מ ” מפת ” הקן - אין היררכיה ניהולית - אין תקשורת בין הפועלות בנוגע למיון. : בכל זאת, מחקרים הראו שבקיני נמלים ישנו מיון של מזון, ביצים, זחלים, גלמים וכו ’ יתר על כן - אם נפרק קן נמלים, הפועלות יחזירו מיד את המצב לקדמותו.

4. אז איך זה עובד ? אנו נציג מודל התנהגותי פשוט, שאם כל סוכן יעבוד לפיו, יתקבל מיון. המיון יושג : - ללא קבלת החלטות היררכית - ללא תקשורת בין הסוכנים - ללא ייצוג גלובלי של הסביבה כמו כן, הסוכנים ( רובוטים / נמלים ): - מכירים רק את סביבתם הקרובה - בעלי זכרון קצר - טווח בלבד - נעים באופן רנדומלי - לא יכולים לנוע באופן ישיר לעבר חפץ מסויים או ערמה מסויימת

5. מודל מונטה-קרלו מושגים: ALR – ant-like robots RLA – robot-like ants

6. עקרונות המודל: - ישנם 2 סוגי חפצים : מסוג A ומסוג B. 1. הרובוטים (ALRs) נעים באופן רנדומלי. 2. כאשר רובוט נתקל בחפץ, הסבירות שירים אותו, גדלה ככל שהחפץ מבודד יותר. ( כלומר, ככל שמספרם של החפצים מאותו הסוג קטן יותר, בסביבה הקרובה ). 3. כאשר רובוט נושא חפץ, הסבירות שהוא יוריד אותו, גדלה ככל שהחפץ מבודד פחות. ( יותר חפצים מאותו הסוג, בסביבה הקרובה ). הערה: כלל 2 + הורדה רנדומלית או כלל 3 + הרמה רנדומלית, מספיקים כדי לבצע " מיון ”. אבל אם ניישם את שני החוקים יחד, נגיע למטרה הרבה יותר מהר.

7. נשים לב ! כאשר ALR שמחזיק חפץ, מבחין בערמה קטנה, הוא פורק בה את הסחורה שלו ובכך מגביר את ה " אטרקטיביות ” של הערימה הזו, עבור ALRs אחרים. כך ממשיכה הערמה “ לגדול ” ולקלוט לתוכה חפצים מבודדים באופן יחסי. איסוף של חפצים מאזור בו נוכחות עצמים מסוג מסוים הייתה דלילה - תדלל עוד יותר את האזור. כך תעלה הסבירות שהחפצים הנותרים יאספו גם הם. כאשר ישנם מספר סוגים של חפצים, יצירת “ מקבץ ” של סוג A תגרום לבידוד החפצים מסוג B באותו אזור. התוצאה של תהליך זה היא: מיון החפצים

8. תאור המודל: 1. הסביבה היא רשת (Grid). 2. בזמן ALRs - t 0, חפצים מסוג A וחפצים מסוג B, מפוזרים באופן אקראי ב " רשת ". כאשר בכל משבצת יכול להיות חפץ אחד ו / או ALR אחד.

9. 3. בכל יחידת זמן, ה -ALRs זזים באופן אקראי : - בכיוונים : צפון, דרום, מזרח ומערב. - אינם יכולים להיכנס ב " קיר ". - אינם יכולים לזוז למשבצת שיש בה ALR אחר. ( לא נדון בדרכים למימוש תנאים אלו ) 4. כאשר ALR נכנס למשבצת שיש בה חפץ, הוא " מחליט " האם להרים אותו או לא ע ” פ פונקציה הסתברותית התלויה גם בסביבת החפץ. 5. כאשר ALR הנושא חפץ נכנס למשבצת ריקה, הוא " מחליט " האם להניח אותו או לא ע ” פ פונקציה הסתברותית התלויה גם בסביבה.

10. חישוב ההסתברות להרמת חפץ : f – הערכה של היחס בין מספר המשבצות הקרובות שבהן יש חפצים מאותו סוג לכלל המשבצות הקרובות + k – קבוע קטן ( 0.1,0.2 …) ניתן לראות שההסתברות להרמת החפץ יורדת ככל ש - f גדול יותר. כאשר p = 1 f = 0 ( כאשר החפץ הוא יחיד מסוגו בסביבה הקרובה, בטוח נרים אותו ) כאשר + p=0 f=k כאשר f שואף ל -1 p הולך וקטן. ( כאשר יש הרבה חפצים מאותו הסוג – יש רק סיכוי קטן שנרים את החפץ ).

11. חישוב ההסתברות להורדת חפץ : f – הערכה של היחס בין מספר המשבצות הקרובות שבהן יש חפצים מאותו סוג לכלל המשבצות הקרובות k - – קבוע קטן. ניתן לראות שההסתברות להורדת החפץ עולה ככל ש -f גדול יותר. כאשר f = 0  p = 0 ( כאשר אין חפצים נוספים מאותו הסוג בסביבה הקרובה, בטוח שלא נוריד אותו ) כאשר f = k -  p = 0.25 כאשר f שואף ל -1  p הולך וגדל. ( כאשר יש הרבה חפצים מאותו הסוג בסביבה הקרובה – יש סיכוי גדול שנוריד את החפץ באותו המקום ). לתקן P F