Optimering av robotinsats med samverkande robotar - En litteraturstudie

Rapporten ger en översikt över en klass av tekniker och metoder relevanta för optimering av en robotinsats med samverkande robotar. Den fokuserar på metoder som bygger pa det konceptuella begreppet av agent och multiagentsystem (MAS), först definierat inom Artificiell Intelligens (AI). Maskinell Inlärning, ett fält inom AI, beskriver metoder som kan programmera beteendet hos en agent genom adaption och direkt interaktion med omvärlden. Särskilt är Reinforcernent Learning en teknik som utökar de idéer som redan finns inom optimal styrteori, numerisk optimering och stokastisk approximationsteori. Agentbeteendet utvecklas som en lösning till ett optimeringsproblem, där konstruktören specificerar en kostnadsfunktion. Förhoppningsvis är detta en lättare uppgift än att explicit specificera själva beteendet. Ett MAS definieras som ett löst kopplat nätverk av autonoma agenter, som arbetar tillsammans för att lösa ett problem som överstiger de enskilda agenternas individuella kapacitet. Egenskaper, fördelar och systemlösningar för samverkande multiagentsystem diskuteras utifran olika arkitekturer och hur begränsad kommunikation kritiskt paverkar systemprestanda. Några problemställningar i samband med optimering av MAS med Reinforcement Learning presenteras. Slutligen avslutas rapporten med en litteraturlista inom omradet.