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