MORPH: assegnazione auto-organizzata dei compiti a più robot tramite una topologia adattiva ispirata alla neuroplasticità

Abstract degli autori

L’assegnazione dei compiti a più robot (MRTA) in ambienti dinamici presenta una tensione fondamentale: un coordinamento efficace richiede una struttura appresa, ma quella struttura deve adattarsi quando cambiano le condizioni. I metodi esistenti affrontano il problema presupponendo una conoscenza preliminare dei compiti, una funzione di utilità, una matrice dei costi o una politica addestrata. Questo li rende fragili quando vengono impiegati senza tali conoscenze o quando cambia la distribuzione dei compiti. Presentiamo MORPH(Multi-agent Online Rewiring through Plasticity-guided Hierarchy), un framework MRTA che non richiede addestramento, in cui la qualità dell’assegnazione globale emerge da 4 regole locali di plasticità (sinaptica, omeostatica, strutturale e metaplasticità), applicate a una matrice di preferenze direzionali tra coppie aggiornata in base alla co-occorrenza durante l’esecuzione e al feedback sul completamento dei compiti. MORPH non richiede né un modello dei compiti, né il calcolo di offerte, né un addestramento offline; le decisioni di risposta si basano sulle preferenze apprese degli AGV verso i Picker, anziché su una regola fissa di prossimità. Nella tassonomia MRTA di Gerkey-Mataric, MORPH è il primo metodo della classe a compito singolo, robot singolo e assegnazione istantanea ad apprendere online preferenze direzionali tra coppie per l’assegnazione. Valutato sul benchmark per magazzini TA-RWARE (8-24 agenti, 4 mappe, 800 passaggi per episodio, 5 seed), MORPH raggiunge un throughput pari al 110% di quello della coordinazione all-to-all con N=24, utilizzando solo il 21% dei possibili collegamenti di coordinamento: un vantaggio in termini di efficienza che cresce monotonamente con le dimensioni della flotta. Quando cambia la distribuzione spaziale dei compiti, le prestazioni di MORPH peggiorano 3 volte meno rispetto ai metodi basati sulla prossimità, mentre le preferenze apprese restano prive di correlazione con la distanza di Manhattan. Un’analisi sistematica per ablazione conferma che tutte e quattro le regole di plasticità danno un contributo misurabile. Due proprietà dell’assegnazione emergono senza essere programmate: la predominanza delle preferenze tra tipi diversi e la progressiva rarefazione delle preferenze, che rispecchiano il perfezionamento dei circuiti neurali biologici durante lo sviluppo. Le preferenze apprese dipendono dalla storia della co-occorrenza dei compiti, non dalla prossimità spaziale.