多智能体团队合作在机器人足球赛中的应用

Robocup机器人足球比赛是近年来人工智能和机器人学迅速发展的一个重要的研究领域,通过这个平台,可以来评价各种理论和算法.但由于机器人足球比赛系统固有的动态性、不确定性及实时性,这就要求整个智能体团队的合作结构能够应付这种复杂环境.针对这点,文中探讨了一种基于阵型和角色的方法来实现多智能体的团队合作,通过应用到客户端程序上所取得的良好效果,证明此方法对于多智能体的团队合作是有效的.     

方兴未艾的多智能体机器人技术

目前的工业系统正向大型、复杂、动态和开放的方向转变,传统的工业系统和多机器人技术在许多关键问题上遇到了严重的挑战.分布式人工智能(DAI,Distributed Artificial Intelligence)与多智能体系统(MAS,Multi-AgentSystem)理论为解决这些挑战提供了一种最佳途径.将DAI、MAS充分应用于工业系统和多机器人系统的结果,便产生了一门新兴的机器人技术领域-多智能体机器人系统(MARS,Multi-Agent Robot System),MARS技术正在蓬勃发展之中.     

仿真机器人足球赛中团队协作方法的研究

1.引言团队协作(teamwork)的研究跨越商业管理和心理学等不同学科,成为许多领域研究的焦点。目前许多人工智能研究者正在致力于构建复杂、动态的多智能体系统,在这些多智能体系统中,比如交互式的训练和教育,机器人足球赛,虚拟剧院以及基于Internet的信息集成中,团队协作和团队训练有着举足轻重的地位。这些领域中不仅需要多个智能体的参加来完成任务,而且需要团队中的智能体共同协作来有效地完成任务。团队协作不单纯是一些同时发生活动的简单协调,Cohen对团队协作有一经典的形象说明:“普通交通协调虽然是同时发生、并且由交通信号自动协调,但仍然不能     

强化学习在机器人足球比赛中的应用

机器人足球比赛是一个有趣并且复杂的新兴的人工智能研究领域 ,它是一个典型的多智能体系统。采用强化学习方法研究了机器人足球比赛中的足球机器人的动作选择问题 ,扩展了单个Agent的强化学习方法 ,提出了基于多Agents的强化学习方法 ,最后给出了实验结果。     

一种基于多智能体系统的机器人群组织形式

提出了一种基于多智能体的机器人群高层的分层式组织形式及运行机制,它包括机器人组织的定义、组成类型以及组成的实现算法。机器人社会中的组员既可独立隶属于一个群体,也可动态分属于多个群体,该结构不仅有效地利用了资源,而且还可以提高系统的鲁棒性和抗毁性。     

基于多智能体的多机器人控制研究

多机器人控制是目前机器人研究的关键问题,本文以足球机器人为研究平台,首先讨论多智能体系统的组织结构和智能体的体系结构;然后,基于多智能体理论,组建多机器人系统,提出一种适用性广泛的多机器人协作控制方案,主智能体和辅助智能体相互协作,降低多机器人系统控制的复杂度.提高了控制效率.实验结果证明该协作控制方案的优越性.     

足球机器人多智能体协作策略

文章提出了足球机器人多智能体系统协作策略,它由三部分组成:角色执行器、角色分配器和避撞任务处理器。机器人角色分为进攻、防守和守门。角色任务处理器决定每一角色运动到何位置。角色分配器在每个采样周期中,根据视觉信息,动态地改变每一机器人的角色。避撞任务处理器预测两个机器人相撞的可能性,并改变机器人目标位置以避免碰撞。角色任务执行器执行由4阶bezier曲线产生运动轨迹。带有PID控制的足球机器人跟踪确定的bezier曲线。该文提出的策略已成功应用到GDUT_TAIYI队。     

多智能体的机器人逆运动学算法研究

提出了一种基于多智能体的逆运动学算法,算法采用多个关节智能体协同进行串行和并行运算求解,适用于绝大多数关节机器人,不受关节形状和关节数目的限制。     

多智能体强化学习及其在足球机器人角色分配中的应用

足球机器人系统是一个典型的多智能体系统, 每个机器人球员选择动作不仅与自身的状态有关, 还要受到其他球员的影响, 因此通过强化学习来实现足球机器人决策策略需要采用组合状态和组合动作. 本文研究了基于智能体动作预测的多智能体强化学习算法, 使用朴素贝叶斯分类器来预测其他智能体的动作. 并引入策略共享机制来交换多智能体所学习的策略, 以提高多智能体强化学习的速度. 最后, 研究了所提出的方法在足球机器人动态角色分配中的应用, 实现了多机器人的分工和协作.     

多智能体足球机器人系统的模型与层次

机器人足球是集成视觉技术、通讯技术、伺服控制技术、决策对象等多种技术的综合系统，是当前人工智能和机器人领域的研究热点之一。基于机器人足球理论基础的论述，分析了当前足球机器人系统的三种控制方式；按照智能程度的高低，研究了从动作层到决策层的功能，为系统实现构建了完整的层次框架。     

多主体团队交互协议

团队是动态不可预测性环境下协作问题求解的有效方式,联合意图是团队联合求解的关键.因此,主体在团队活动中如何采用言语动作形成、维护、解除联合意图,是一个值得研究的重要问题.旨在设计一种基于主体通信语言FIPA(foundation forintelligent physical Agent)ACL(Agent communication language)的多主体团队交互协议.首先,分析了现有FIPA ACL支持团队联合求解的充分性问题.在概念上明确区分了联合请求与委托请求,指出委托请求言语动作不能充分支持团队协作.并扩展定义了联合请求,讨论了相关定理.然后,基于联合请求动作,提出一种主体团队交互协议,并给出了协议的形式化语义,最后讨论了协议的实际应用.区别于现有的基本动作请求协议、合同网协议以及拍卖协议,团队交互协议描述了另一类主体交互模式,对主体交互模块的设计具有指导意义.     

多Agent Teamwork研究综述

Teamwork在许多动态、复杂的多Agent环境中占据越来越重要的地位，是目前人工智能界研究的热点之一，通过对多Agent Teamwork的研究现状、关键技术和发展趋势进行综述和讨论，试图勾画出目前Teamwork研究的脉络、重点及其发展趋向。主要内容包括：（1）Teamwork研究的背景；（2）Teamwork的研究方法以及典型的Teamwork模型；（3）Teamwork模型的特点以及关键技术；（4）Teamwork的应用领域以及进一步研究的方向。     

多Agent系统中的角色继承

继承用来描述一般与特殊关系,多Agent系统中引入继承有助于分析多Agent系统的结构层次和软件重用。本文讨论了开发多Agent系统时分析和描述继承的重要性和多Agent系统中继承的特点,通过一个角色模型对继承机制进行了语义定义,提出了一种在需求分析阶段对继承进行建模和分析的方法。     

足球机器人系统中角色分配策略的设计

介绍了足球机器人系统以及决策子系统结构,该结构分为数据信息预处理,角色分配,动作安排.轮速输出。详细说明了基于机器人足球比赛的多智能体协作角色分配问题,提出了一种优化综合指标进行角色分配的方法,并在实际系统中得到验证。     

Towards Flexible Teamwork in Persistent Teams: Extended Report

Teamwork is a critical capability in multi-agent environments. Many such environments mandate that the agents and agent-teams must be persistent i.e., exist over long periods of time. Agents in such persistent teams are bound together by their long-term common interests and goals. This paper focuses on flexible teamwork in such persistent teams. Unfortunately, while previous work has investigated flexible teamwork, persistent teams remain unexplored. For flexible teamwork, one promising approach that has emerged is model-based, i.e., providing agents with general models of teamwork that explicitly specify their commitments in teamwork. Such models enable agents to autonomously reason about coordination. Unfortunately, for persistent teams, such models may lead to coordination and communication actions that while locally optimal, are highly problematic for the team's long-term goals. We present a decision-theoretic technique based on Markov decision processes to enable persistent teams to overcome such limitations of the model-based approach. In particular, agents reason about expected team utilities of future team states that are projected to result from actions recommended by the teamwork model, as well as lower-cost (or higher-cost) variations on these actions. To accommodate real-time constraints, this reasoning is done in an any-time fashion. Implemented examples from an analytic search tree and some real-world domains are presented.     

基于Petri-net的机器人足球角色转换研究

文章在分析机器人足球的角色的基础上,提出了用Petri-net来描述角色转换的原理,该方法简洁明了,完全适用于机器人足球多协调决策系统。     

面向群体协同飞行作战的分布实时多Agent系统研究

针对飞行作战环境的复杂性,即飞行作战系统的多任务、高实时性、协调性等特点,提出了基于分布实时多A-gent的飞行作战知识处理系统体系结构,通过分析飞行作战系统特有的高实时性要求,对分布实时多Agent系统的通信机制、协调机制等进行了研究,给出了基于时间约束的多Agent系统的技术解决方案。     

An Automated Teamwork Infrastructure for Heterogeneous Software Agents and Humans

Agent integration architectures enable a heterogeneous, distributed set of agents to work together to address problems of greater complexity than those addressed by the individual agents themselves. Unfortunately, integrating software agents and humans to perform real-world tasks in a large-scale system remains difficult, especially due to three main challenges: ensuring robust execution in the face of a dynamic environment, providing abstract task specifications without all the low-level coordination details, and finding appropriate agents for inclusion in the overall system. To address these challenges, our Teamcore project provides the integration architecture with general-purpose teamwork coordination capabilities. We make each agent team-ready by providing it with a proxy capable of general teamwork reasoning. Thus, a key novelty and strength of our framework is that powerful teamwork capabilities are built into its foundations by providing the proxies themselves with a teamwork model.Given this teamwork model, the Teamcore proxies addresses the first agent integration challenge, robust execution, by automatically generating the required coordination actions for the agents they represent. We can also exploit the proxies' reusable general teamwork knowledge to address the second agent integration challenge. Through team-oriented programming, a developer specifies a hierarchical organization and its goals and plans, abstracting away from coordination details. Finally, KARMA, our Knowledgeable Agent Resources Manager Assistant, can aid the developer in conquering the third agent integration challenge by locating agents that match the specified organization's requirements. Our integration architecture enables teamwork among agents with no coordination capabilities, and it establishes and automates consistent teamwork among agents with some coordination capabilities. Thus, team-oriented programming provides a level of abstraction that can be used on top of previous approaches to agent-oriented programming. We illustrate how the Teamcore architecture successfully addressed the challenges of agent integration in two application domains: simulated rehearsal of a military evacuation mission and facilitation of human collaboration.