Метод коллективного анализа внешней среды автономными агентами в условиях неполноты данных на основе алгоритма жуков-усачей

   Введение. Возрастающая сложность автономных систем и постоянное изменение окружающей среды требуют создания алгоритмов принятия решений, работающих в условиях неполных данных для достижения групповых
целей.

   Метод. Для описания группы автономных агентов использован мультиагентный подход, рассматривающий систему как совокупность взаимодействующих интеллектуальных агентов. Для разработки метода коллективного анализа внешней среды агентами использована модель поведения жуков-усачей.

   Основные результаты. Представлен метод, основанный на постоянном обмене информацией между агентами и направленный на минимизацию затрат ресурсов при сборе информации о внешней среде. В ходе проведения эмпирического исследования разработанного метода был получен прирост получаемой группой информации и снижение затрачиваемых ресурсов в сравнении с алгоритмами Model Predictive Control и Cooperative Decision-Making for Mixed Traffic.

   Обсуждение. Предложенный метод позволяет снизить ресурсозатраты группы агентов и повысить производительность системы при достижении групповых целей в условиях неполных данных.

1. Wang J., Chen H. BSAS: Beetle swarm antennae search algorithm for optimization problems // arXiv. 2018. arXiv:1807.10470. doi: 10.48550/arXiv.1807.10470

2. Laugier C., Chartre J. Intelligent perception and situation awareness for automated vehicles // Proc. of the Conference GTC Europe. 2016. hal-01428547.

3. Nègre A., Rummelhard L., Laugier C. Hybrid sampling bayesian occupancy filter // Proc. of the IEEE Intelligent Vehicles Symposium Proceedings. 2014. P. 1307–1312. doi: 10.1109/ivs.2014.6856554

4. Rummelhard L., Nègre A., Laugier C. Conditional monte carlo dense occupancy tracker // Proc. of the IEEE 18^th International Conference on Intelligent Transportation Systems. 2015. P. 2485–2490. doi: 10.1109/itsc.2015.400

5. Finaev V.I., Ignatyev V.V., Shestova E.A., Spiridonov O.B., Zargaryan J.A., Zargaryan E.V. Optimum nominal method modification at the management of moving objects under uncertainty // ARPN Journal of Engineering and Applied Sciences. 2015. V. 10. N 16. P. 6837–6844.

6. Shapovalov I., Soloviev V., Finaev V., Beloglazov D., Zargaryan J., Kosenko E. Research of the controlled flight dynamics based on the full and simplified quadrotor models // Advances in Engineering Mechanics and Materials. 2014. P. 17–22.

7. Mamdani E.H. Application of fuzzy logic to approximate reasoning using linguistic synthesis // IEEE Transactions on Computers. 1977. V. C-26. N 12. P. 1182–1191. doi: 10.1109/tc.1977.1674779

8. Nie J., Zhang J., Ding W., Wan X., Chen X., Ran B. Decentralized cooperative lane-changing decision-making for connected autonomous vehicles // IEEE Access. 2016. V. 4. P. 9413–9420. doi: 10.1109/access.2017.2649567

9. Sun Z., Huang T., Zhang P. Cooperative decision-making for mixed traffic: A ramp merging example // Transportation Research Part C: Emerging Technologies. 2020. V. 120. P. 102764. doi: 10.1016/j.trc.2020.102764

10. Cao W., Mukai M., Kawabe T., Nishira H., Fujiki N. Mild merging path generation method with optimal merging point based on MPC // IFAC Proceedings Volumes. 2013. V. 46. N 21. P. 756–761. doi: 10.3182/20130904-4-jp-2042.00109

11. Ghiasi A., Hussain O., Qian Z.S., Li X. A mixed traffic capacity analysis and lane management model for connected automated vehicles: A Markov chain method // Transportation Research Part B: Methodological. 2017. V. 106. P. 266–292. doi: 10.1016/j.trb.2017.09.022

12. Gipps P.G. A behavioural car-following model for computer simulation // Transportation Research Part B: Methodological. 1981. V. 15. N 2. P. 105–111. doi: 10.1016/0191-2615(81)90037-0