英语原文共 16 页，剩余内容已隐藏，支付完成后下载完整资料
多智能体体系结构在已知受灾环境中应用于无人机信息检索和智能监控
D. Vallejo lowast;, JJ Castro-Schez, C. Glez-Morcillo, J. Albusac
摘 要
自然或人为灾难的后果可能是毁灭性的。为了将其影响降到最低，必须在环境受影响后立即对其进行快速分析，特别是从警报通知或危机管理的角度进行分析。在这种情况下，无人机的使用被理解为建立能够为救援队提供支持的智能系统的技术基础，对应对这一挑战作出了积极贡献。本文提出了一种多智能体体系结构的设计，该体系结构能够部署由智能体组成的系统，这些智能体能够监测受灾难影响的环境，并在决策过程中为人员提供支持。这些预先已知的环境的特点是通过一系列从空中监视和监测所得的重要的特征点来确定的。为了进行智能信息分析，我们采用了正规性分析的形式化模型，使得监控组件的定义成为可能。这些表示负责监视环境的智能体的知识库。同样，该架构设想了不同智能体之间的通信和合作机制，作为融合信息以评估被监测环境的总体风险水平的基础。我们研究了这样一个案例，某工业综合体刚刚经历了一场被监测的地震且其中有毒烟蔓。
关键词：多智能体体系结构，智能无人机，智能监控，专家系统，危机管理
- 介绍
无论是自然的，如地震，还是人为的，如核反应堆的熔毁，在灾难发生后的瞬间做出反应的能力对于最大限度地减少造成的人身和物质损失是至关重要的。不幸的是，在这种极端的情况下，处理混乱且复杂的情况是非常困难的。有时，这是因为在这样的时刻缺乏信息。以一次影响城市地区的地震为例，建筑物的类型不同以及获取有关跟踪地点和环境哪些部分处于临界状态的信息的困难都将造成信息匮乏。在这种情况下，基于独立机器人的解决方案尤为重要，这些机器人通过合作获取有关环境的信息并分析正在发生的事情。如果这些机器人在救援过程中受损，损失将只限于经济损失。近年来，在灾难和紧急情况下使用独立机器人作为救援工具的相关研究工作变得非常重要，其中一个突出的方面是关于它们在人类干预和协调方面的独立性（Murphy，2004）。独立机器人干预美国世界贸易中心的倒塌（Casper和Murphy，2003）和日本福岛核电站的熔毁（Nagatani 等人，2013）也是两个很好的例子。
虽然传统的机器人代表了一个很好的解决方案，防止人类工作人员在救援时将自己置于危险之中，但有时由于灾难的性质，它们无法有效地工作。在这种情况下，使用无人机（UAVs）是理想的。以2016年意大利中部发生的一系列地震为例，死亡人数299人，物质损失巨大。在类似的情况下，一支小型无人机机队可以作为第一道行动线，在不易接近的环境中，快速、准确地自主收集信息，从而作为独立的地面机器人和人类工作人员的补充。这种方法可以遵循协调与合作的机制，减少清扫受影响地区所需的时间，并将灾难发生后可能造成的损害降到最低。
由于无人机具有较高的灵活性和快速的响应能力，它们目前在不同领域中得到广泛应用，如军事领域、地图修复、监控或货物运输等，并提供了负担得起的解决方案和非常短的响应时间，这并不是巧合。事实上，无人机可以被理解为一种自主设备，在对其他移动设备来说非常复杂的情况下，它可以通过一系列传感器（摄像机、温度传感器、轨道检测器等）快速收集信息。准确地说，设计基于独立无人机的系统，这种系统可以相互合作和协调，也可以与其他智能体共享信息，以便达到总体目标和作出决策，这对当今的研究界来说是一个真正的挑战。
那么，如何保证一组无人机协同工作，在自然或人为灾害影响的环境中，快速高效地解决信息检索和智能分析问题呢？进而，作为一个补充问题，我们如何才能充分利用当前智能监控领域的所有研究，找出环境中正在发生的事情？
关于灾难发生后瞬间的信息检索，适当合作的无人机机队将提供对受影响地区的初步分析。通过这种方式，人类智能体人可以评估情况，并以最有效的方式采取行动。除了需要合作布局外，本文提出的系统必须是可扩展的，可用无人机的数量是没有限制的，并且能够适应各种情况的监视需要。例如，当从信息检索的角度来看无法访问某个关键点时，地面机器人可以请求无人机采取行动。
从计算的角度来看，物理无人机和地面机器人都可以由软件智能体进行控制（Wooldridge和Jennings，1995），这些软件智能体可以智能地合作，为先前提出的问题提供解决方案。这些智能体将能够独立行动，获取和分析有关环境的信息并相互通信，从而构成一个多智能体系统（Weiss，1999），作为一个整体来应对所提出的挑战。必须强调的是，多智能体系统能够很好地适应存在一系列异构信息源的复杂情况（Wooldridge，2001）。特别是近年来，多智能体系统被广泛应用于解决协作、规划、协商或分布式决策等问题，以保证系统的鲁棒性、可扩展性和适应性（Weiss，1999）。
为了使这些多智能体系统的部署成为可能，本文提出了一种由不同软件智能体组成的多智能体体系结构。这些智能体在解决灾难性情况下的信息检索、分析和融合问题并最终在决策过程中提供支持方面发挥了一系列重要的作用。信息分析智能体在提出的所有智能体中最为突出，它们能够分析环境中发生的事情，这要归功于通过正规性分析的形式化模型定义的专家知识（Albusac等人，2009）。该模型在城市交通环境智能监控领域（Albusac等人，2010）得到了令人满意的应用，它是在设计监控组件的基础上将知识库和用于进行分析的推理机结合起来的。此外，该体系结构考虑使用一系列通信机制，例如事件通道和黑板体系结构（Jennings等人，1998），它在共享信息时为智能体提供更高的灵活性。
本文研究了这样一个案例，某工业综合体刚刚经历了一场被监测的地震且附近城市有毒烟蔓。。此案例用于说明所建议的体系结构如何启用执行此监视任务的特定多智能体系统的部署。此外还描述了如何定义监测组件以及监测有毒烟雾的蔓延。
本文的其余部分结构如下。第2节主要介绍了国内外研究现状。第3节详细介绍了本文所讨论的多智能体体系结构，分析了其必要性和主要应用，重点介绍了所设计的不同软件智能体的作用以及集成通信与协作机制的定义。第4节展示了部署多智能体系统时要进行的主要步骤，并引入一个研究案例，即在一个震后的工业综合体及城市组成的场景中监测有毒烟雾的蔓延。在第5节中，定义了一个监视组件，其目的在于使用前面提到的正规分析的正规模型（Albusac等人，2009）监视有毒烟雾的蔓延。最后，第6节得出结论，并概述了未来的研究方向。
-
相关工作
- 无人机与灾害管理
配备传感器的无人机可以远程发送有关环境的信息，在与灾害有关的情况下可以提供更多的可能性。此处，读者可以参考Adams和Friedland（2011）的研究从而在整体上了解相关问题。
地震是最具代表性的灾害之一。在这种背景下，一些作者如徐等人（2014）考虑开发一个多无人机系统，用于在地震后瞬间快速获取信息。设计的体系结构由三部分组成：（i）多无人机系统本身，（ii）地球站，（iii）图像处理系统。作者特意制定了一个非常明确的工作流程，并致力于获取高质量的图像，以便检测道路、接收有关信息并对情况进行初步诊断。在地震领域，其他作者强调计划无人机飞行以便对研究区域进行立体重建（Baiocchi等人，2013年）。在这项研究中，试验在拉奎拉历史中心进行，该地区在2009年受到地震的影响，地震中有数百名遇难者和相当大的物质损失。另一个以台风为背景的相关研究，由周等人提出（2010年）。
还有其他一些有趣的研究着眼于解决更普遍的可以应用于灾难处理的问题。这方面的一个典型例子就是可以通过使用无人机来将2D图像重建为3D环境，这提出了两个不相关的问题：（i）通过覆盖路径规划获得图像，（ii）在3D中重建场景。专注于获取图像并设计算法，以便通过最小化无人机转弯次数来计算无人机的路线，从而降低电池消耗（Torres等人，2016）。
另一个涉及灾难管理的重要领域是决策过程（Power等人，2015）。显然，在这方面协调是根本。Fikar等人讨论了一种可能的方法（2016）。作者提出了一个基于模拟和优化的决策支持系统，以促进参与紧急事件的不同救援团队之间的协调。所考虑的布局使用基于智能体的模拟、启发式规划和禁忌搜索来分析决策问题。模拟实验在奥地利靠近多瑙河的两个地区进行。另一个有趣的工作是赵等人（2019）做出的。作者讨论了在使用无人机系统时多目标跟踪的协同决策问题。一种基于分布式多智能体部分可观测马尔可夫决策过程的跟踪决策方法。
在地震或洪水等情况下探测人员的移动也很重要，近年来一系列研究人员将工作重点放在使用无人机上。事实上，一些作者直接关注于发现受害者（Andriluka等人，2010）。目前，一种相当普遍的技术是使用热照相机，例如（Portmann等人，2014）提出了一个基于过滤粒子的框架，以便使用航空设备拍摄的图像监测人的活动。在同样的背景下， Gaszczak等人（2011）讨论了基于一系列Haar分类器的车辆自动检测布局。
最后，有一些研究成果可应用于本研究讨论的领域，这些成果涉及管理和控制无人机的更多交叉方面。在无人机的独立控制（Kurnaz等人，2010年）、最佳路线的计算（Sun等人，2011）、无人机之间避免障碍物和碰撞（Arokiasami等人，2016）或合作搜索（Beard和McLain，2003；Ji等人，2015）中可以看到一些具有代表性的例子。
-
- 多机器人系统
如今，术语“多机器人”是指由自主机器人组成的系统，这些机器人能够检测自身所处的环境并采取相应的行动，在学习或推断不同形式任务所需知识的基础上维护内部模型并适应环境（Ingrand和Ghallab，2017）。这一研究领域的发展涵盖了多机器人系统的理论、计算和实验方面。
多机器人协调是一个相对成熟的研究领域，我们可以在本研究中直接利用这一领域的研究成果。尽管无人机的使用已被从实验角度研究，但它可以应用于地面机器人和空中无人机协同工作的全球前景尚未被深入探讨（见Dias等人，2006年和Yan等人，2013年）。
有一种特别流行的协调模型被称为紧急合作，用于群体机器人领域（Fukuda等人，1988），在群体层面上，机器人之间通过内部相互作用和对外界的相互作用而产生合作行为，而无需明确地协同工作。尽管这是一个简单的解决方案，但考虑机器人和无人机所具备的技能，在这一研究领域需要更直接的合作来解决问题。在这种情况下，基于有意合作模式的布局更可取（Parker，1998）。利用该模型，机器人可以根据需要解决显式协作和通信的任务。它代表了一种更接近实际应用的布局，在这个布局中，机器人可以做人类希望他们做的事情。
关于与物理机器人协调的具体领域，一些基于联盟结构的工作（Parker，1998）反映了国际合作模式，以便人们了解为了完成任务而相互作用的机器人的行为（Arkin，1998；Mataric，1997）。
另一方面，协调大量的机器人也是一个挑战，一些研究人员在机器人群的背景下明确地讨论了这个问题。一种可能的方法是使用一种将机器人群分解为多个组的方法，以提高整个机器人社区的通用性（Haghhii和Cheah，2012）。因此，有可能处理多个级别的协调，以达到共同的目标并且能减少协调多个机器人的复杂性。
多机器人协调应该理想地处理在通信受限的物理环境中部署机器人团队时出现的限制。在此背景下，一些作者提出了基于周期连接性的解决方案（Hollinger and Singh，2012），这代表了在受灾难影响的场景中应该考虑的一个方面。
另一个值得特别关注的问题是多机器人探索，它涉及到灾难管理和协调。在这方面，可以考虑一种基于最小化总体探测时间的布局（Burgard等人，2005），同时考虑到达特殊点的成本以及其用处大小。同样，学习算法也被用于动态和未知的环境中，以解决多机器人协调问题。Wang 和 de Silva（2008）就是一个很有代表性的例子，他们讨论了一种基于强化学习和遗传算法的方法，这种方法是在一种智能体结构的背景下进行的，智能体通过决策来引导机器人避开障碍物，到达某一点。此外，还有基于概率近似的模型，例如在Claes等（2015）解决机器人网格的协调问题，并选择移动机器人网格的最佳选项。
多机器人巡逻（Portugal and Rocha, 2013a）通常由一个动态的机器人团队执行，与多机器人探索密切相关。再者，分布式策略的关联性越来越高，从而可以增加系统的鲁棒性和灵活性（Portugal and Rocha，2013B），尤其是在故障和通信错误可能由于自然灾害或人为灾难而出现的环境中。勘探和巡逻都依赖于从异构传感器收集的数据，这些传感器通常部署在移动机器人上。融合这些数据的过程可以通过分散的方式来进行合作感知（Capitaacute;n等人，2011）。
多机器人系统本质上与多智能体系统相关，前者增加了处理物理实体所产生的额外的复杂性层。因为它们共享分布式性质的解决方案，所以其面临的挑战在某种程度上是相似的。一般来说，集中化的解决方案效率更高。那么，为什么我们会对通常更复杂的分布式解决方案感兴趣呢？这个问题有很多答案，但从根本上讲，是因为有时问题本身就是分布式的。在其他情况下，如果数据来源于需要保密的组织，则不可能考虑采用集中解决方案。其他时候，解决问题所需的信息基本上是分布的，分布在不同的系统中，这些系统又大又复杂，并且具有不同的维度（Weiss，1999）：（i）信息在地理上分布，（ii）可能有大量的组件，（iii）要处理的概念数量和与每个概念相关的数据可能非常庞大，（iv）它们的范围可能非常广泛，涵盖一个确定的工作领域
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[425399]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
