Esplorazione MultiRobot.pdf - Automatica

η
100
90
80
70
60
50
40
30
20
10
NC
C
EB
0
0 20 40 60 80 100 120 140 160 180
passi
Figura 4: Percentuale di celle scoperte.
to l’ottimizzazione dell’esplorazione richiede una coordinazione
di observer che non deve andare eccessivamente
a scapito dell’esigenza di trovare target
prossimi agli observer. Viaggi eccessivamente lunghi
possono infatti rivelarsi inutili se nel bel mezzo del
percorso un altro observer si aggiudicasse il target 5 .
Per contro, σN di C assume valori piú alti di quelli
di NC in quanto al variare delle posizioni iniziali
degli observer, l’inizializzazione di U ad ogni ciclo
puó cambiare in maniera significativa. Di conseguenza
questo puó modificare in maniera rilevante l’esplorazione.
L’algoritmo EB offre prestazioni peggiori
degli altri algoritmi: l’esigenza di ripassare diverse
volte su un gruppo di celle vicine prima di attribuire
loro un potenziale sufficientemente alto da garantire
l’uscita da tale zona, aggiunto alla non collaborativitá
degli agenti, giustifica questo fatto.
Nelle figure 4, 5 vengono messi a confronto i tre
algoritmi in una prova con tre observer (α = 30
per C) Si osserva che inizialmente il comportamento
collaborativo degli agenti rende l’esplorazione C piú
proficua (ridondanza quasi nulla nei primi 40 passi
e maggiore pendenza della curva η rispetto agli altri
algoritmi). Tuttavia questo comportamento si rivela
controproducente nelle ultime fasi dell’esplorazione:
infatti i robot tendono a scambiarsi i target ad og-
5 si ricorda che i terget vengono riassegnati ad ogni passo
9
γ
γ
γ
50
NC
0
0
100
20 40 60
passi
80 100 120
50
C
0
0
100
20 40 60
passi
80 100 120
50
0
0 20 40 60 80 100 120 140 160 180
passi
Figura 5: Ridondanza.
ni passo, rallentando la conclusione dell’esplorazione.
Di questo difetto non soffre l’algoritmo NC: infatti
l’esplorazone termina prima. L’algoritmo EB inizialmente
fornisce prestazioni intermedie rispetto agli altri
due: tuttavia, quando si presentano gruppi di celle
inesplorate isolate, l’algoritmo fatica a raggiungerle
per quanto giá detto sopra. Per lo scopo di questo
progetto l’algoritmo C é il piú indicato perché esplora
rapidamente un’ampia zona rendendo piú probabile
l’individuazione di un cammino verso al goal nei
primi passi.
Path planning
Il problema del path planning é stato affrontato
come un problema di ricerca di un cammino minimo
in un grafo orientato: ogni cella della griglia é stata
considerata come un nodo collegato da archi alle
quattro celle adiacenti. La funzione creaGrafo é stata
pensata per il path planning degli obsevers: essa
riceve in ingresso una mappa e ne cataloga le celle
dividendole in
1. celle di frontiera
EB