МАТЕМАТИЧНЕ МОДЕЛЮВАННЯ НЕЧІТКОЇ КОМУНІКАЦІЇ В БАГАТОРОБОТНИХ СИСТЕМАХ НА ОСНОВІ ПСЕВДОАНАЛОГОВИХ СИГНАЛІВ
Анотація
У статті представлено результати дослідження, присвяченого моделюванню комунікації у багатороботних системах з використанням нечітких (псевдоаналогових) сигналів. У сучасних умовах, коли групи автономних роботів функціонують у складних та динамічно змінюваних середовищах, надзвичайно актуальними є завдання забезпечення ефективного, стійкого та енергоощадного інформаційного обміну між роботами. Традиційні підходи до міжроботної комунікації – здебільшого дискретні – не дозволяють досягти високої адаптивності у шумних або обмежених за ресурсами середовищах. У відповідь на ці виклики автором запропоновано гібридну модель, яка імітує принципи комунікації, властиві біологічним системам, зокрема – варіабельність аналогових сигналів, що використовується у зграях тварин або колоніях комах. Розроблена математична модель базується на концепції нечіткої логіки, де кожен сигнал має три параметри – амплітуду, частоту та тривалість – інтерпретовані у лінгвістичних категоріях (високий / середній / низький, тривожний / командний тощо). Ступінь відповідності сигналу визначається функціями належності, що дозволяє кожному роботу формувати гнучку реакцію залежно від контексту. Проведено серію експерименту у симуляційному середовищі, у якому «Леви» переслідували «Антилоп», що мали можливість обмінюватись сигналами про небезпеку або нестачу енергії. Було змодельовано три типи середовищ – без перешкод (базова дискретна модель), з втратами сигналів та зі спотворенням сигналів при псевдоаналоговій передачі. Результати показали, що нечітка модель дозволяє досягти такого ж рівня виживання роботів, як і в умовах ідеальної передачі дискретних сигналів, але з енергоспоживанням, зниженим на 18 %. При цьому система виявилась стійкішою до втрат або спотворення сигналів. Застосування аналогоподібної комунікації з лінгвістичною інтерпретацією дозволяє уникати надмірної активації роботів, підвищуючи загальну ефективність групової поведінки. Запропонована модель може бути використана для побудови розподілених технічних систем у сферах пошуково-рятувальних операцій, розвідки, а також у сфері low-cost swarm robotics. Стаття робить внесок у розвиток гнучких комунікаційних протоколів для роїв роботів, здатних адаптуватись до змін середовища без централізованого управління.
Посилання
2. Verma J. K., Ranga V. Multi-Robot Coordination Analysis, Taxonomy, Challenges and Future Scope. Journal of Intelligent & Robotic Systems. 2021. Vol. 102. Article No. 10. DOI: 10.1007/s10846-021-01378-2
3. Rasouli S., Dautenhahn K., Nehaniv C. L. Simulation of a Bio-Inspired Flocking-Based Aggregation Behaviour in Swarm Robotics. Biomimetics. 2024. Vol. 9, No. 11. Article No. 668. DOI: 10.3390/biomimetics9110668
4. Ковтунов Ю., Макогон Г., Ісаков О., Бабкін Ю., Калінін І., Лацута Р. Використання математичного апарату нечіткої логіки для фаззіфікації та алгоритмізації роботи системи інтерактивного моніторингу транспортних комунікацій. Сучасні інформаційні системи. 2020. Т. 4, № 3. С. 64–68. DOI: https://doi.org/10.26906/SUNZ.2020.3.064
5. Kornienko S., Kornienko O. Minimalistic approach towards communication and perception in microrobotic swarms. Proc. IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS). 2005. P. 2228–2234. DOI: 10.1109/IROS.2005.1545594
6. Kernbach S. Swarmrobot.org – Open-hardware microrobotic project for large-scale artificial swarms. arXiv preprint, 2011. Access mode: https://doi.org/10.48550/arXiv.1110.5762
7. Montanier J., Faigl J. Language evolution in swarm robotics: A perspective. Frontiers in Robotics and AI. 2020. Vol. 7. Article No. 12. DOI: 10.3389/frobt.2020.00012
8. Лаврик В., Скідан В., Сукало М., Волівач А., Лебеденко Ю. Використання ІоТ пристроїв для моніторингу стану рослин в сільському господарстві. Інформаційні технології та суспільство. 2025. № 1 (16). С. 116–122. DOI: 10.32689/maup.it.2025.1.15
9. Beni G., Wang J. Swarm Intelligence in Cellular Robotic Systems. In: Robots and Biological Systems: Towards a New Bionics? Berlin: Springer, 1989. P. 703–712. DOI: 10.1007/978-3-642-58069-7_38
10. Moore R. K., Marxer R., Thill S. Vocal interactivity in–and–between humans, animals, and robots. Frontiers in Robotics and AI. 2016. Vol. 3. Article No. 61. DOI: 10.3389/frobt.2016.00061
11. AlHadithi B. M., Pastor C. CostEffective Localization of Mobile Robots Using Ultrasound Beacons and Differential Time-of-Flight Measurement. Applied Sciences. 2024. Vol. 14, No. 17. Article No. 7597. DOI: 10.3390/app14177597
12. Goel P., Roumeliotis S. I., Sukhatme G. S. Robust Localization Using Relative and Absolute Position Estimates. Proc. IEEE/RSJ Int. Conf. on Intelligent Robots and Systems (IROS). 2003. P. 1065–1071. DOI: 10.1109/IROS.2003.124883
13. Kernbach S. et al. Towards applied swarm robotics: current limitations and enablers. Swarm Intelligence. 2021. Vol. 15, No. 4. P. 223–245. DOI: 10.1007/s11721-021-00189-x
14. Li Z., Yu Y., Horoshenkov K. V. A comparison of the performance of four acoustic modulation techniques for robot communication in pipes. The International Journal of Acoustics and Vibration. 2023. Vol. 28, No. 1. P. 98–116. DOI: 10.20855/ijav.2023.28.11930
15. Cyberbotics Ltd. Webots: Open-source robot simulator. URL: https://cyberbotics.com
ISSN 



