Do We Run Large-Scale Multi-Robot Systems on the Edge? More Evidence for Two-Phase Performance in System Size Scaling

Autores: Jonas Kuckling, Robin Luckey, Viktor Avrutin, Andrew Vardy, Andreagiovanni Reina, Heiko Hamann · ICRA 2024

Licencias

• Acceso abierto
• Artículo: CC BY 4.0

Todo lo que sigue se basa en el artículo completo bajo su licencia CC BY 4.0; su figura se muestra con crédito a los autores.

En resumen

Las simulaciones de tres sistemas multirrobot muestran que el rendimiento se divide en ejecuciones casi óptimas y casi nulas a partir de un tamaño crítico del enjambre; un modelo de población lo vincula con bifurcaciones y transitorios largos.

Por qué importa

Los operadores que ajustan flotas o enjambres de robots para un rendimiento máximo pueden estar operándolos, sin saberlo, al borde de un colapso, y los transitorios largos pueden hacer que un sistema así parezca sano durante un tiempo antes de colapsar. El modelo también predice histéresis, de modo que añadir o retirar robots durante la operación, como hacen algunos métodos de escalabilidad robusta, puede provocar saltos bruscos de rendimiento.

Problema

El rendimiento de un enjambre suele presentarse como una media en función de la densidad del enjambre, que sube, alcanza un máximo en un tamaño crítico del sistema y luego cae. Esa media puede ocultar un resultado bimodal en el que, cerca del tamaño crítico, algunas ejecuciones rinden de forma casi óptima y otras colapsan por congestión, de modo que un sistema ajustado para el máximo rendimiento medio puede estar cerca del colapso.

Solución propuesta

Los autores simulan tres sistemas (un almacén de robots de almacenamiento AFLE suspendidos de raíles con más de 3000 unidades, el agrupamiento de objetos por un enjambre con el método lasso y la taxis emergente hacia una baliza luminosa) y representan la distribución completa del rendimiento en función del tamaño del enjambre en lugar de la media. Después modelan el efecto de dos maneras: una cola M/M/1 cuyo tiempo de servicio depende de la longitud de la cola, y un modelo de población de tres estados (solo, grupo, fermo) escrito como ecuaciones diferenciales ordinarias y analizado con herramientas de dinámica no lineal.

Ideas clave

• Cerca del tamaño crítico del sistema, los resultados son bimodales: las ejecuciones o bien operan cerca del rendimiento máximo o bien colapsan a un rendimiento casi nulo, con casi nada intermedio.
• En el modelo de población, una bifurcación silla-nodo implica que un solo robot añadido puede pasar el sistema de alta a baja productividad, y retirar robots lo devuelve solo con un tamaño de enjambre menor (histéresis).
• El tiempo transitorio crece de forma superexponencial cerca del estado crítico (ralentización crítica), lo que los autores atribuyen a una bifurcación cúspide de codimensión 2 en el espacio de parámetros (N, k1); por ello, un sistema puede funcionar con «tiempo prestado» antes de colapsar.
• Una simple cola M/M/1 modificada ya reproduce el aumento lineal y el colapso a una tasa de llegada crítica, y sus curvas se parecen a las del modelo de población.

Resultados principales

• Almacén (96 repeticiones por tasa de llegada): el rendimiento de procesamiento creció linealmente con la tasa de llegada hasta unas 10⁴ AFLE por hora, tras lo cual algunas ejecuciones colapsaron por congestión con un rendimiento casi nulo mientras otras se mantenían en el máximo.
• Agrupamiento de objetos (1000 ejecuciones por tamaño de enjambre, de 1 a 20 robots): el mejor rendimiento se dio en torno a 6 robots; a partir de 10 robots los resultados se dividieron en ejecuciones exitosas y fallidas.
• Taxis emergente (800 ejecuciones por tamaño de enjambre, de 2 a 40 robots, datos de un trabajo anterior): la velocidad máxima se alcanzó en torno a 15 robots, donde apareció una segunda fase de baja velocidad.
• Cola M/M/1 modificada (tasa media de llegada de 0,4 a 0,9, 500 muestras cada una): colapso a una tasa media de llegada crítica de aproximadamente 0,65.
• Modelo de población con las tasas por defecto: el número de robots solo alcanza un máximo en N = 31 y después cae rápidamente; con k1 = 0,001, dos bifurcaciones silla-nodo delimitan un rango biestable, y la Fig. 6 muestra el espacio de estados en N = 40, dentro de ese rango.

Limitaciones

• Los autores afirman que sigue abierto qué modelo describe mejor el rendimiento en dos fases, y que la investigación futura debe mostrar si el efecto es real y relevante en aplicaciones industriales.
• Los tres escenarios son simulaciones; el modelo de almacén es un mundo en cuadrícula con tráfico en un solo sentido y sin física, y no se modelan los tramos de raíl de almacenamiento.
• Los resultados de taxis emergente se reutilizan de una publicación anterior en lugar de ejecutarse de nuevo.
• Las constantes de la cola se describen como arbitrarias y se dice que ambos modelos capturan el comportamiento cualitativamente; el artículo no los ajusta a los datos de simulación.

Impacto en el campo

Ganador del IEEE ICRA 2024 Best Paper Award on Multi-Robot Systems, con 14 citas. El artículo enlaza el código abierto de su simulador de agrupamiento de objetos y un vídeo; no se menciona la publicación del simulador de almacén.

Resumen

Con un número creciente de robots móviles llegando a aplicaciones del mundo real, más robots coexisten en el mismo espacio, interactúan y posiblemente colaboran. Los métodos para dotar a estos sistemas de escalabilidad con el tamaño del sistema se conocen, por ejemplo, de la robótica de enjambre. Algunas estrategias de ejemplo son el comportamiento autoorganizado, un enfoque estrictamente descentralizado y la limitación de la comunicación entre robots. Pese a aplicar estas estrategias, cualquier sistema multirrobot se rompe por encima de cierto tamaño crítico del sistema (es decir, número de robots), ya que demasiados robots comparten un recurso (p. ej., espacio, canal de comunicación). Aportamos pruebas adicionales, basadas en simulaciones, de que en estos tamaños críticos del sistema el rendimiento se separa en dos fases: rendimiento casi óptimo y rendimiento mínimo. Especulamos que, en aplicaciones del mundo real configuradas para un tamaño de sistema óptimo, el sistema supuestamente de alto rendimiento puede estar en realidad viviendo de tiempo prestado, ya que se encuentra en un transitorio hacia el colapso. Proporcionamos dos opciones de modelado (basadas en la teoría de colas y en un modelo de población) que pueden ayudar a respaldar este razonamiento.

Enlaces

• arXiv 2310.11843: https://arxiv.org/abs/2310.11843
• DOI 10.1109/ICRA57147.2024.10610771: https://doi.org/10.1109/ICRA57147.2024.10610771
• PDF: https://arxiv.org/pdf/2310.11843v1
• Código: https://github.com/avardy/cwaggle_lasso