JP2005539296A - マルチ−ロボットシステム内での自己設定可能なモバイルロボットエージェントの組織化団体の為のシステムと方法と装置 - Google Patents

Abstract

マルチ-ロボットシステム(MRS)内で自己組織モバイルロボットエージェント(MRA)のシステムは公開される。MRAは環境と協同し習得、相互作用する。そのシステムは遺伝的アルゴリズムと遺伝的プログラミングと突発的な動力行動を開発する為に人工ニューラルネットワークを伴うことを含む様々なAI(人工知能)技術を使用する。自律的インテリジェントロボットエージェントの集団行動は多数の用途に応用される。そのシステムはハイブリッド制御構成を使用する。そのシステムはまた、複雑な任務を成し遂げる為に形成と改善の為の多数のMRAの団体の動力連携をも開発する。

Description

本願は、米国仮特許出願番号60/404,945、及び60/404,946、2002年8月21日出願、からの35U.S.C. 119の下で優先権の利益を要求し、それらの開示内容は引用文としてすべて本願に組み込まれる。

本発明に適用する先行技術特許の幾つかの分類がある。これらの特許は主としてモバイルロボット及びモバイルロボットの団体を含む。

マツダ(ロボットシステム及び制御装置)、米国特許数.5,825,981；ペレス及びその他(ロボットを操縦する為の方法)、U.S.特許適用出願公表番号#20010047231；及びノアバクシその他(社会的に相互作用する自律的ロボット)、米国特許出願番号#20020013641、モバイルロボットは自動的にもしくは、多機能製造または、清掃または、草刈りまたは、積雪噴射または、人間との相互作用のような任務を成し遂げる為に手動介入と共に使用される。これらの歩行者は、ロボットの適用のメインパラダイム内に一致するロボット制御に対してアプローチする。

カワカミ(モバイルロボット制御システム)、米国特許番号5,652,489；アサマなど(モバイルロボットセンサーシステム)、米国特許番号5,819,008；及びワラチなど(自律的マルチ-プラットフォームロボットシステム)、米国特許番号6,374,155は複数モバイルロボットを含む。これらの特許はナビゲーション及び障害物回避の為に使用するセンサーを含む。その上、一機のモバイルロボットは効果的に情報を他のモバイルロボットに送信することができる。これらの発明は、ロボット間の基本的な連結部だけを提供し、高度なシステム機能に欠ける。

(1)インテリジェントエージェント及び自己組織システム、(2)調整されたシステム内でのAI及びD-AI、(3)交渉及び問題解決、(4)コーポレーティングエージェント及び集合を含む本システムの技術を伴うほとんどの研究経歴は、下記に記述された学問上の資料に表される。

複雑説の開発は極めて最近である。経済学及び生物学からの理論家は、システムは自己組織及びそれらの環境の適応できるという1980年の見解で進展させた。特に、生物学者は蟻と昆虫の社会組織を研究し、これらの社会の複合適応行動を観察している。

サンタフェ学会(ＳＦＩ)の研究者は生物学、経済学、数学、認識論、コンピュータ科学の分野に目を向けることによって複雑説を開発している。SFIのその目的の一つは、複合昆虫社会行動の生物学的機能を真似る人工自律エージェトを示す複合自己組織コンピュータモデルを開発する為である。

SFI理論家は主に経済的システムをシミュレートする為に人工コンピュータ社会のSWARMインテリジェントモデルを開発している。生物学的システムオペレーションを真似ることによってSWARMインテリジェントモデルは、団体活動を管理する単刀直入な分散的規定に従って比較的簡単な昆虫の複合社会相互作用を記述する為に突発的な行動の考えを使用する。

コンピュータ科学者の挑戦は、自己管理された自律ロボットエージェントのシステムをどのように開発するかである。分散ローカル制御の要素と共にシステム制御の要素を連合するという行動基礎ロボット工学の科学者の開発は、コンピュータ科学及びロボット工学の中で最も困難な挑戦の一つである。この問題の重要な部分は、集団行動のMRS内で問題解決の為のAIシステムをどのように設定するかである。要するに、どのように動力環境に対して最適化適応の為にインテリジェントMRSを設計することができるのか？

技術の合致は、団体行動のインテリジェントMRS開発の目標を達成する為に、集団ロボット工学及びインテリジェントシステムの研究の急増を可能にするといった方法で、過去10年間にコンピュータ科学分野とAIは発展している。例えば、コンピューテーション資源、通信、ネットワーキングにおける急速な進展は、精密なMRSの開発の為に総合技術の必要性のコンビネーションを可能にする。その上、AI研究の範囲では、習得だけではなく自立度を達成する為にコンピュータシステムを可能にするGA,GP,A-NN,分散AIを含む幾つかの傾向が現れている。

1990年の初めに、ブルックスはMITのメディア実験室でロボット工学に対して分散的モジュール接近法を開発した。革新的なそのころ、高いコンピューテーション集中審議のロボット制御接近法の社会通念を拒絶したので、彼のモジュール接近法は、従来のコンピュータ接近法の３％より少なく使用した。効率性のある飛躍は、むしろ審議のトップダウン型ロボットシステム制御より、自動的反応制御（彼は、包含と呼んだ）の為にサブシステムを分けることにより達成された。機動性とナビゲーションとロボットのピックアップ機能は、増加された効率性の為に分けられることができる。

この研究の流れを生かすことによって、アーキン氏(1998)は、ロボット工学の行動基礎モデルを開発した。このモデルの中で、アーキン氏は高度なハイブリッドロボット構成と共にその分野での実験と同じように、行動基礎ロボット構成を記述する。このハイブリッド接近法の例は、団体行動と共に審議のプランニングを総合的に扱うNASAのアトランティスシステム(1991)である。これらのモデルの目的は、それらの環境に適応できるという自律ロボットを開発することである。社会的行動と共にロボットチームの開発は、アーキン氏の先駆者の研究によれば、最も困難な挑戦の一つである。

ボナビューなど(1999)SFI同僚は、複合人工ロボット社会の開発と共に複合生物学社会システム内での蟻及び昆虫行動の研究を連結する研究の流れを開発する。SWARMインテリジェンスのビジョンの中で、彼らは、生物学的システムを真似ることが可能であるという人工ロボットシステムの為のモデルを指摘する為にシステム自己組織と反応行動と環境適応との重要な概念を使用する。

2001年に、ケネディー氏及びエバーハート氏は、SWARMインテリジェンスの社会的及び理論的な面に焦点を当てた。彼らの団体行動の調査は、生物学的システムの社会的行動を真似ることでSFIによって経済的な“粒子”シミュレーションに似ている適応自己管理システムのコンピュータモデルを開発する。人工SWARMシステムを開発する為に、その著者は複合パターン発生に目を向け、それはボン ニューマンからバークスへ、そしてウォルフラムへの系統がある。この研究の流れの中で、セルオートマトンは複雑だが安定した自己組織システムをシミュレートする為に使われる。たとえ著者がロボット社会と共に実験を研究することを好んだとしても、それらの焦点はコンピュータ及び自律的な実体を伴う複合社会的行動の理論的なモデルに留まる。

他の重要な研究の流れは、ネットワークに対してAI(人工知能)の用途を伴う。インターネットの発生は、MASの自律性ソフトウェアエージェントと共に自動的に商取引を行う為に真新しい方法を示している。当初、スミス氏によって開発された契約ネット議定書は、分散問題解決の為に初期のモデルを設定した。インターネットが迅速に発展すると、新コンピューテーションシステムは、商業的システムを真似る為に発生する。ソロモン氏は真新しい多変量及び多角的交渉モデルを用いる中間及び無中間処理の為の要求開始自己組織商業的システムを開発した。

自動化商取引の一つの適所は、自律エージェントの集団である。正確に、どのように卸売割引の為の自律エージュントの合同資金をまとめるかは、商業的システムから流通の層を取り除く為の機会を表す。この研究の流れは重要である、なぜなら、それは共通の目的の為のロボットエージェント連携をどのように開発するかという手掛りを提供するからである。

MRSモデルは開発している。ナードハードは、ブルックス氏によって普及された狩猟採集を基礎とした包含の為の規定基礎社会行動を使用するMRSの例である。第二に、提携構成は、インターロボット通信を含むロボットチーム行動に対するモジュール接近法を開発した。このような通信は、突発的な協力を可能にする。提携の追加バージョン(L-提携)は、適応の形成を達成する為にロボットエージェントの習得面を調節する。

アーキン氏は、チーム連携が明確なインターロボット通信なしで行動基礎接近法を使用することをモデルとした“マルチエージェントスキーマ基礎ロボット構成”を開発した。

ダイス氏及びステンツ氏は、活動の方針に合意する為に分散環境内の個々のロボットがお互いに交渉するマルチロボットコーディネーションの為のマーケット基礎モデルを提供する。このようなモデルは、動力環境内での自律団体オペレーションの為のロボット工学の前後関係に対する分散ネットワーク内でのソフトウェアエージェントと共に使用される契約ネット議定書に適用される。

最後に、ソロモン氏は階級制のリーダー及び部下接近法がハイブリッド中央制御及び行動基礎制御構成の中で実行される軍隊と産業上の利用と共にハイブリッドMRSモデルを開発した。

ほとんどのMRSは、機動性、知能、通信、団体行動、及び機能性を含む幾つかの共通の特質を所有する。

ロボット団体行動の一つの危険な面は、集団方法の重要性で知能数値が少なくなることである。ロボットエージェントの為に同時に起こり、協力、共同すること、つまり、チームとして一緒に働くことはロボットシステムの判断方法の主要な課題である。ロボット団体の動力連携の発生は、最も関心の有る一つでありロボット研究の重要な範囲である。

突発的な自然自己組織過程を真似るまたは、むしろ勝ることが可能である複合MRSの開発を達成する為の試みは、主として高度なAI構成を開発する為の必要性を伴うコンピューテーション課題に成っている。AIシステムは、複合問題を解決する為にホーランド及びコザから現在に至る遺伝的アルゴリズム、遺伝的プログラミング、及び革新的コンピューテーション方法の出現で生物学的システムを真似たAIシステム自体を所有する。関連した研究の流れは、ニューラルノード加重値を設定する為にGAを利用しているA-NNを伴う。ニューラルネットワークの一つの主要目的は、複雑問題解決の為の自己設定及び自己組織習得システムを開発することである。変化する環境に対して迅速な適応が必要である即時処理集団ロボット状態でこれは実用的である。

特定問題解決の為の様々な方法を総合的に扱うハイブリッドAIテクノロジーの開発は,高度なMRS構成の開発の為に実用的であることが可能であるというコンピュータ科学者の兵器の保有量内で着実で上首尾な選択を提供するであろう。

本発明は、マルチロボットシステム、マルチエージェントシステム、集団ロボット工学、人工団体行動、ロボットエージェントの集合、連携隊形、動力連携、ロボットエージェントの自己組織化、インテリジェントエージェントの突発的行動、インテリジェントエージェントの協力、マルチエージェント習得、相反するインテリジェントエージェント間の問題解決、人工知能、人工ニューラルネットワーク、及びマルチロボットのオペレーティングシステムを伴う。

マルチロボットシステムは、特定機能もしくは機能の結合を実行する為に行動の特定規定に従って、自律的ロボットエージェント間での相互作用を促進するという複合ネットワークである。本発明は、高度なロボット電子工学及び機械学と共に特有の人工知能(AI)内で高度なコンピュータ科学の理論学を適用することによって多様なモバイルロボット行動の為のシステムを記述する。ここでの焦点は、人口ロボット集団に当てる。今までのところ、計画し、コーディネートした目標を成し遂げながら、非常に小さな研究がロボット社会の団体行動の面で開発されている。

(1)それぞれの自律ロボットユニットのコンピューテーション、電化的及び機械的ハードウェア、(2)ワイヤレス通信と共に個々のロボットを連結するハードウェアネットワーク層、(3)ノード分散コンピューティングモデルに対するノード内で(複合記憶装置、データベース,及びコンピューテーション分析機能を実行する)メタコンピューティング層、(4)分散AIの為の全結節人工ニューラルネットワーク(A-NN)層、(5)最善なシステム解決策を探索するシミュレーションを基にした即時処理セルオートマトン(CA)を開発する為に適応団体習得の為の遺伝的アルゴリズム及び遺伝的プログラミングによるドリブン-全結節層、(6)OS層、及び(7)特定の機能的適用の為の層を含むこのような集団ロボットシステムの幾つかの層が有る。

本発明は、その環境及び、突発的な行動を示す能力に対しての動力、相互作用、展開する適応がある高度なMRSを記述する。そのシステムは、分散ネットワーク環境での行動基礎のハイブリッドと中央プランニング制御過程としてデザインされた。分散構成モデルでの多数の機能を分散することによって、自律ロボットエージェントの団体は重複のないサブグループ内で様々なサブセット及び再構成で、共に学び、共に団体意思を決定し(協力し対抗意識を持って)、共に交渉、問題解決し、共に集合することができる。これらの特有な接近法を使用することにより、自律ロボットエージェントは事前プログラム化した、もしくは展開した目標パラメータを達成する為にお互いにまた、環境と相互作用する自己管理方法の中で団体の様々な構成で形成また、再形成することができる。

人工知能(AI)は、多数のMRS過程の中で使用される。その中に含まれるのは、A-NNを使用する団体ロボットエージェントと、適応集団習得と意思決定の為の道具を提供するハイブリッド革新的A-NN接近法(GA,GP,FLなどを含んでいる)と同様に、遺伝的アルゴリズム(GA)を使用する個々のロボット習得と意思決定、遺伝的プログラミング(GP)、及び他の革新的コンピューテーション(EC)接近法である。両方の個々のエージェントと団体習得道具の使用は重要である、なぜなら、そのシステムが行動基礎偏見に対して不履行する時、むしろ、集団資源ははるかに優れているからである。例えば、衰えたコンピューテーション資源での状況下で、自律性を維持する為に道具を所有することは個々のロボットエージェントの為にそれは必要である。反応接近法の行動の低い層で築くことによって、それ以上の複合MRSは蟻社会エミュレーションを越えて展開することができる。

実際的な言い方をするなら、知られていない環境でのMRSオペレーションは多数の課題と解決する為の問題を表す。ロボットシステムが直面するかもしれない全ての問題を解決する為の集中“使命制御”ステーションがない場合は、使命を成功する為の命令の中で多数の後退システムモードがあるはずだ。それは、システム構造の階層に通じる。これらのシステムモードは、コンピューテーション資源、通信資源、ロボットエージェント自律性の段階、習得の段階、及び団体行動の段階によって決まる。

初期のマルチロボットシステムの中で、比較的に簡潔な構成は、階層内の様々な部下と共にリーダーロボットから成る。そのリーダーは、増した自律性と年輩の部下(スーパー随行者)を持つ。このモデルの中で、事前に選択された小艦隊は隊形され、その為の管理は、使命オブジェクト変更の為のビデオフィードとしての人間相互作用過程によって手動で仲裁される。リプログラマブルオーダー及び優先度は常にアップロードされる。

一実施形態では、補足的外部コンピューテーション資源はMRSの外部に保ちサテライトによって随時、注入されることができる。あるいは、コンピューテーションがたとえMRSに対して外部から実行されても、分析的結果はシステムを制御する為に使用される事ができる。その上、エージェント行動を報告することは、中央コマンドセンターで制御を統一する為にオフサイトブラックボードに対して提供されることができる。

そのシステムとそのエージェントが自律性を得ながら、増した収容能力は、このようなコンピューテーションパワー、通信帯域幅、及びAI能力を持ち込まれる。いまだに、反応行動基礎自律ロボットエージェント相互作用接近法は、自律エージェント間の相互作用の結果の為にたかが集団行動を真似るだけだが、団体行動を引き起こす為に現れる比較的に簡潔なシステムをもたらす。このモードのシステムは、ただ半自律的であるが、それはその資源限定を反映する。

MRSシステムが力強いコンピューテーション資源及びAI過程を用いる自律ロボットエージェントの分散ネットワーク内で共に連結されながら、システムは、その環境と相互作用し適応している間、自動的に団体のように“考える”ことができ、一番有効な状況に対して絶えず再構成することができる。

ハイブリッド構成を使用するとはいえ、変化に適応し、成し遂げられる最も複雑な職務に対して自動的に不履行する多数の独特な実施形態を用いるシステム、それ故に有益である。
（分散資源管理及びコマンド構造とのMRS構成）

純粋な行動基礎MRS構成はローカル制御及び突発的な行動の優位性があるが、複合適応環境で大規模団体を管理する能力がないという不利がある。いっぽう、中央審議のMRS制御構成は大規模な自己管理相互作用システム及びサブシステムを開発する為の能力があるが、扱いにくいという限界があり、コンピューテーション資源によって決まる。複雑で高性能MRSを築き実行する為に必要なものは、ハイブリッド構成である。実際において、そのMRS構成は複雑で、コンピューテーション、通信及びソフトウェアサブシステムと共にロボットエージェントを一緒に連結するという継続的に再構成するオペレーティングシステムである。そのようなシステムは、モジュール式で(途切れなく機能されるサブシステムで機能を高めることができるように)、拡張可能であり(ノードが加えられもしくは、移動されることができるように)、再機能可能でなければならない。そのシステムはロボット機械エージェントに対してインプット及びアウトプットを提供するというモバイルソフトウェアプログラムコードを使用する。ハーネス動力再構成可能メタコンピューティングモデルは、このモバイル自己MRSハイブリッド接近法の為の先駆けであるのは、最善なコンピューテーション及び通信経路に対してそのシステムを新ルートで送る為に継続的に探索するからである。

低い段階で、其々のロボット機械ユニットはセンサー、作動装置、マイクロプロセッサー、通信受信機と送信機、電源装置、特定の機能性、及び(システムと適用)ソフトウェアを所有する。しかしながら、それらが結合される時、その機会は集団データ捕捉の為のネットワークに組織される為にMRS特定モバイルロボットユニットセンサーから存続する。団体集団コンピューテーション資源はそのセンサーデータを分析することができる。その上、モバイルロボットエージェントの団体は、失策の多い相反するデータの流れがあっても、集団決定する為に習得過程を生じさせた複合AIを使用することができる。有効な団体MRS資源の効果を最大化することにより、インテリジェント団体行動は明らかにすることができる。

サブグループでのMRAの集合は動力及び変化する環境内で複雑な方法でそらに再構成を発生することができる。団体として学び働くことにより、特定の自律性エージェントは利他的になり、特定な危険のオペレーションの中で必要であるなら目的の為に犠牲になることが可能である。さらに、特定のサブグループは、異なる目的を達成する為に対立し集団を分割することが可能である。一丸になって取り組む為に自律MRAのチームを可能にするテクノロジーの合致―コンピューテーション資源及び再構成、通信帯域幅収容能力及び複合システムソフトウェアは、どのように人間の団体が考え、行動をするかを真似るという革命を可能にする。

このテクノロジー合致の実現性を可能にする為に、分散自己組織システムの為の独特なハイブリッドMRS構成を開発することは必要である。そのようなハイブリッドシステムは、動力環境で複合決定過程と最善なシミュレーションと集団ロボット活動に適用する団体習得過程の為の分散システム内で働くという高度なハイブリッドAI資源(D-AI,A-NN,GA,GPなど)の使用と同じように低い段階のボトムアップ反応モジュール行動基礎接近法を適応する。そのようなハイブリッドモデルは、初期の展開するプログラム目的を成し遂げながら、不確かな環境での適応を可能にする。

もし、動物がどのように集団の中で動くかを比較するなら私たちのシステムに似ている事を見る。たとえ特定の動物が、動物の団体集団として感覚データ、記憶装置、交渉、データ分析、意思決定、及び行動サブシステム能力を持っていたとしても、著しい性能改善を達成することができる、なぜなら、それ以上のデータと分析的収容能力と餌の狩猟または攻撃に対する防衛で成功の確率を増すという上首尾な行動の一体化があるからである。それでは、なぜMRSは動物(及び昆虫)団体モデルの性能を真似、そして、しのぐということさえ開発されないのか？

従来、自律的自己組織MRAのインテリジェントMRSのような建物の中での主要問題の一つは、コンピュータ資源抑制である。コンピュータ収容能力の限界だけでなく,時間抑制の限界もまたある。大量のデータはMRSが使用可能である間、短時間で進行されなければならない。本質的に、システムはデータを集め理解し、何をするか、また、団体としてどのように実行するかを判断しながら、活動中に計算しなければならない。これらの資源抑制問題に対して実用的な解決法がある。第一に、グリッドコンピューティングモデルの適用は即時処理でMRA間の資源を分割することによって、コンピューテーション収容能力を最大限に利用する為に、特有の分散モデルを供給する。他が、使命要求として減じられたとしても、必要に応じて新MRAが加えられるようにこのモデルは拡張可能になることができる。事実上、其々のエージェントは其々のモジュールシステムの再使用で再運転され、高められることができる。

第二に、多様通信トポロジーは、最善な集団的効果の為に高度なキャッチングテクノロジーを使用することを含む分散システム内で最も効率的な使用に対してデータの流れを新ルートで送る為に使われることができる。最後に、AIソフトウェアは習得、交渉、決定、複合集団的行動のシミュレーションの為に用いられることができる。起動しながらそのシステムは何をするかを判断し、それから、チームとして協力的に目的を達成する為に活動する。集団的活動と共に資源抑制を克服することにより、インテリジェントMRSは発生する。

本システムは、それ故に簡潔な昆虫団体行動を真似る為に探索するという以前のMＡＳ接近法よりかなりそれ以上に前進している、なぜなら、私たちのシステムは、自律エージェント知能と共にだけでなく、簡潔な団体行動を勝る集団的団体知能と共に与えられる。はっきりしていることは、このような前進しているMRSを開発する為に、ローカル及びグローバルの面の両方を結ぶハイブリッドまたは、メタ構成が用いられなければならないことである。
（ハイブリッドMRS AI モデルに対して：セルオートマトンと共に分散問題解決、統合した団体習得、決定過程、及び動力最善シミュレーション）

AIは複雑な問題を解決する為の有益な道具として過去の世代で発生している。ホーランド氏及びその他によって開発された遺伝的アルゴリズムは、再生産、交差及び変化技術を通してアルゴリズムを展開する為の問題解決方法である。遺伝的プログラミング及び他の革新的コンピューテーション接近法は、異なる問題の分野を解決する為に探索する。これらの複雑な戦略は適合し最も効率的または、最善な解決法を見つけられるように自然的展開過程を真似る為に探索する。

人工ニューラルネットワーク(A-NN)の開発は、最初に、脳機能を真似る為に意図された。連結主義として呼ばれるA-NNは、問題解決の為のノードのネットワークを作図、訓練、そして再構成する為にGA及びFL(ソフトコンピューティング)技術を使用する。適用ネットワーク構成トポロジーを使用することにより、A-NNシステムは、その環境に対しての適応を最大限に利用することができる。エージェントノードの分散団体によってネットワークを訓練することによって、A-NNは学ぶことができる。革新的A-NN(E-A-NN)または、神経進化論は補強習得の為に実用的である。適応する為に遺伝的アルゴリズムを使用することによってのA-NNの働きは、特徴、習得規定及び、連結の重要性を入力する。A-NNの為の最も効果的適用の一つは、パターン認識としての非線形の統計上モデルである。A-NNはシナプスの重要性を変えることによって学び、シナプスの重要性変数は確率及び発端を評価する為のファジー論理学技術を使用することによって変化する。ベイジアンネットワークはデータと解決の確率基礎概算を作成する為の予報間での調停として仮説を使用する。ホップフィールドネットワークは、派手なデータが継続するネットワーク開発を限定する時、初期のネットワーク構成を思い出す為と以前のネットワークに復帰する為に使用される。

本発明は、A-NN及びD-AI構成と共にGAとGPを結合するAIに対してハイブリッド接近法を使用する。システムとしてそれ自体絶えず折り返し電報を打つシステムを生産する分散ニューロコンピューティングモデルは再構成される。この接近法は必要である、なぜなら、限り有るコンピューテーション資源は、分散モバイルMRSが変化しながらでさえも最大限に利用されることが必要である。このスキーマは拡張可能なだけでなく、増加されたコンピューテーション収容能力は特定の使用されたMRAの下により要求に応じて供給されることができる。そのようなハイブリッドAI構成は、動力環境に対して最適化適応の為と同じように、分散ネットワークの中での団体よる習得に最も適される。

ハイブリッドAI接近法は、複雑な問題を解決する時に有益である。二つの主要問題解決モデルは協力的(利他的)かまたは、衝突(利己的)する順応されたエージェント行動を伴う。MRSを伴う一つの主要コンピューテーション課題は、相反する自律エージェント間の交渉を要求する分散問題解決である。

相反するMRAは、複雑な多角的不一致を解決することができるように和解を交渉する為にAI接近法を使用する。相反したMRSの中で問題を解決する団体の為の一つの方法は、分割した共通の関心の為に正しい相手を見つけることにより、それによって、限定された残りの変数及び不一致に焦点を置く。この剪定過程は、事前断定(または、変更)規定かまたは、含まれたエージェント間の投票かによって問題点を処理することができる。この方法で、MASのチームは効果的解決法の為に張り合うことができる。相反したMAS状況で解決法を見つける為の他の方法は,規定に同意することにより、最も強力な戦略の為の競争を準備することである。最後に、エージェントはその場所に対して他のエージェントを納得させることができる。

これらのモデルの全ては,複合団体問題解決の為にインターエージェントコラボレーションを伴う。張り合っている競争相手MRA衝突の再解決法は、最善な解決法について同意に終わる。衝突と競争を通して、求められた共通の見方だけでなく、成功するアルゴリズム解決法は複雑な問題の為に決定される。この問題解決交渉接近法は、共通の目的で不均一MRAを編成する為に有益である。

MRSでのMRA間でどのように交渉を進行させるのか？自律ロボットエージェントは最終的に団体行動に影響を与える複合決定過程を使用する。決定は個々のエージェントまたは、エージェントの団体によって下される。規定は、他のものを超えて特定の可能な選択を優先する為に使用される。特定限界の達成上で、決定過程は可能なオプションの選択結果をもたらす。 一度限界が達成されると、活動の計画は実行されることができる。

MRS問題解決の為の団体決定過程を構成することは重要なので、決定選択抑制の範囲は、可能有る最善な解決法の上下範囲を示す。さらにまた、これらのパラメーターは動力環境で絶えず変動している。ヘンス方法は、特定の任務を成し遂げられるように一番の近道を見つける為に考案されることが必要である。これをする為の一つの方法は、特定の任務を成し遂げることである。これをする為の一つの方法は、問題及び解決策の可能性を優先する為に統計的重みを使用することである。複雑な変化環境という状況で、MRSは同時に多数の絶えず変化する問題を解決することに取り組まなければならない。マーコブ決定過程は価値基準を伴うことによって判断される可能な選択を優先することで意思決定する。

MRS活動は一つの計画で始まる。団体活動計画のパラメーターを作図することにより、最善な構成をモデルすることができる、または、最も効率的な資源を割り当てることができる。決定論理過程は、最善な問題解決の選択に通じる可能な解決策の間で確認するトレードオフ(パラメーター)に通じる。MRAは不確かな環境で複雑な問題に対して最善な解決策を選択する為のコンピューテーション最適化技術を使用する。分散ネットワークで様々な筋書を作図し、AIと決定過程を使用することによって、MRAは目的を達成する為に最善な計画を選択する。

MRSは行動の最善な団体パターンを達成する為に進歩したハイブリッドAI方法を使用する。純粋にコンピューテーショナルMASと違って、MRSは物質的次元と空間動作を持っている。MRSの実作業についてのこれらの物質的で幾何学的実態は、空間相互作用と行動を組織する為にその必要性を伴う。シミュレーションの使用を通して第一に特定の作戦行動を実際に実行する前にこれらのMRA行動を設計する為に有益である。

セルオートマトン(CA)モデルはMRSでMRAの変化行動をシミュレートする為に重要な道具を提供する。AI接近法を使用することによって、其々のロボットは大規模なシステム内でのセルとして表される。セルはセル状態で変化を表す二次元、三次元、または四次元モデルと共にCAシステムの味方の中で、味方のセルと相互作用することができる。

問題を解決できるように最善な解決策を探索する為に組合せ最適化接近法の結果は、CAシミュレーションによって表され、それ故に、実際にこれらの決定選択を実行する前にテストされることができる。即時処理で団体行動を設計することによって、MRSは問題を解決し、複雑なオペレーショナル状態で難解な不慮の事故を捕らえることができる改善した解決策を探索することができる。MAS SWARMはCAモデルを使用する粒子シミュレーションでテストされるが、MRSは実際の幾何学的行動でこれらの重要なCAドリブンシミュレーションを適用していない。従って、本発明は即時処理テストの為にむしろ、全く静力的な方法よりも動力的でシミュレーションを使用する。シミュレーションの中で、事実上のロボットは、使命成功の機会を最大限に利用する為に、複雑な不慮の事故から学べるように有益な利点の試行錯誤の可能性の活動を提供される。
（SWARM、群れ、MRS集合及びその隊形、動力提携の再構成）

自然界はAI及び団体ロボット工学という関連でコンピュータ科学の為の相似を提供する。AIの場合、GA及びGPは性の再生産、剪定、及び無作為変化を使用する一番ふさわしい問題解決プログラムを発生することにより自然的選択を真似る為に探索する。ロボット団体行動の場合、科学者は全くの個物からどのように複雑なパターンを発生するかを理解する為に昆虫(蟻及び蜂)社会行動を真似ることができるように探究している。MRSは昆虫の自己組織性質を持つ為にどのように開発できるか？観測者に興味をそそる二つの主要行動は、狩猟採集(食料地研究及び調達)とスワーミング行動

科学者は蟻が複雑な狩猟採集行動を開発する為にフェロモン(他を引き付ける為の臭気をもつ化学物質)を使用するということを発見している。フェロモンを植えることによりたとえ一時的でも、混合されるとますます強烈になり、蟻は正のフィードバックと共に自然的強化機械装置(スティグメーション)を供給する。この正の強化習得機械装置は自己組織システムを提案する。

コミュニケーションを取り合う昆虫の為に他の方法がある。幾つかの蟻及び蜂は、食料源について、例えば助けを呼ぶ為または、利他的に集団で情報を分担する為に彼らの一番近い味方とコミュニケートする方法を開発されている。この一番近い味方のコミュニケーション接近法は、主として感覚能力を基礎とし群れの形成、動物や魚の牧畜及び学校行動に対しての手掛りである。

蜂や蟻の場合、もっと円滑に機能できるように全組織を順序よく巣箱または、巣の中で特定の機能を実行する専門家があるかもしれない。この分業は、効率的社会システムとして何百万年もの間進化している。

昆虫は、間接的にコミュニケーションを取り合うことが可能である。スティグメーションの過程は引き付ける昆虫または、変化する環境と共に実行し、それは、他の昆虫行動を触媒する。フェロモンの使用は、この過程を明らかにする、なぜなら、蟻は限られた時間内で他の昆虫によって行われることが可能である引き付ける化学物質を植えるからである。

動物や昆虫団体行動はローカル段階で発生する。昆虫がたとえ幾つかの方法で利口でなくても、それらの複合団体行動は社会的知性を進化していることを提案する。団体で働くことによって、それらは捕食動物に対して防衛し、敵対する環境で生き残る。しかし、このようなSWARMインテリジェンスに対して限界がある。

たとえ彼らがイニシエーターを所有していても、殆どのSWARMまたは、群れ行動は一人の粘り強いリーダーを持っていない。そのかわりに、そのような社会的行動はローカル及び反応に焦点を置く。

フロッキングはその一例である。群れの其々の鳥は群れの仲間について限られた情報を持つ。そのかわりに、方向及び速度上のローカル情報を提供する味方を持っている。大きな課題は、彼らの行動を通して弾道及び速度データを信号で伝えると同時に味方との衝突を避けることである。その結果として、両方の引力及び反発力はフロッキング行動を伴っている。

MRS設計者に対して役に立つ簡単なフロッキング規定があるのは、彼らはローカル反応行動を説明するからである：(A)味方の安定した状態速度で飛行、(B)群れの中心に気を配る、また(C)味方との衝突を避ける。これはハイウェイでの運転に似ている、なぜなら衝突を避けることを探索するが、また一貫した速度を維持することを私たちの一番近い味方に対して第一に狭い限られた情報(視界)を持つからである。ハーディングのようなフロッキング、学校またSWARM行動は、捕食動物によって狙い撃ちされることから周囲のメンバーを避けながら敵対する環境内で行動する為に昆虫、鳥、魚、または動物の団体をそのままにしておくことで発展している。国の中で、その後、障害物の回避、味方と捕食動物は、社会的団体行動を維持するという生存の規定の中で一体化されている。

SWARMはどのように形成されるのか？一つの出来事は、SWARM活動に対して味方を引き付ける為に個々の昆虫を刺激する。たとえどの個々の昆虫が活動を開始するリーダーになることができたとしても、同様に関心のある味方の協力を引き付けることを通して他の個々の昆虫の補充は、その過程に対して重要である、なぜなら、これらの個々の昆虫は、それから、それ以上の味方などを引き付けることによって反応するからである。従って、どの個々の昆虫はSWARMまたは、群れを開始することができる。この開始は、特定の(防御的または攻撃的)機能または活動での資源を得る為のどちらかといえば最初の要求である。軍隊に対して集中使命制御発行命令としてよりも、特定な分散した個々が、敵を圧倒する効果を持つローカル反応性連鎖反応のような中で団体活動を引き起こすことができる。場合によっては、例えば兵隊蟻など専門家だけが攻撃過程の為にSWARMになることが可能である。

昆虫や動物社会的行動は、簡単な個々を伴う理解複合社会的過程に対して重要である。試みは、ロボットの人工システム開発の為の生物学的システムSWARMインテリジェントを真似る為に計画される。例えば、アーキン氏(1998)は簡単なロボットから複雑な行動を設計する為に試みを示す団体行動の為のブルック氏の簡潔なモジュール反応ロボットを使用する。
（ロッキングを超えて：MRS集合と形成と動力提携の再構成）

本発明はこれらの興味ある生物学的模倣を勝る。なぜなら、私たちのシステムは、オペレーションの簡潔な初期設定モードと共に層状にされるからであり、私たちは、反応的ローカル相互作用を用いるMRSの中で簡単なSWARM行動を使用する。しかし、その主要目的は、動力提携のオペレーションと同様にインテリジェント社会的行動の能力がある複合集合MRSシステムの開発である。簡潔な団体行動は、大幅に同質システムの中で限定コンピューテーション及び通信資源を持つのに対して、本発明は持たない。簡潔なSWARM行動は習得及び活動の為の規定の限られた組合せを使用する未発達なローカル通信、最低限のコンピューテーション収容能力及び、反応行動の限界と共に匿名の同質の単独なメンバー(一貫した役割の中で)を持つ。この生物学的に見事なシステムの限定は、社会的インテリジェントを示す高度なMRSの開発によって改善されることができる。私たちのシステムは、不均一システムの中で、非常に高度なコンピューテーション、AIと通信機能、複合習得とシミュレーション機能、特殊化特質とチーム行動と共に自律的個々のMRAを持つ。要約すれば、本発明は機能の範囲で考えるモバイルロボットエージェントを人工的に使用することによって人間社会的行動を真似る。

どのように集団オブジェクトをしたらよいかという問題は、コンピュータ科学で重要な一つである。集合の方法は有機集団体の為に互いに素な集団を共に収集することを伴う。組合せ最適化は集合問題に対して解決法を探索することに関係している数学的分野である。集合は卸売割引での共通の利益と共に顧客の大部分のプーリングの為に有益である。同様に、組合せオークションは最適な利点の為にアイテムの一括を入手する為のパーティーができるように有益な商業構造である。

本発明の目的の為に、集合はMRSの中でMRAの団体を組織する為の過程として重要である。私たちはどのようにインテリジェントロボットエージェントが形成するかに興味を示すだけでなく、団体がサブグループに分かれ再形成するその過程にもまた関心がある。MRAのインテリジェント集合は自動的選択、形成、コンビネーション、再形成、及び団体の散逸を伴う。インテリジェントエージェントのそれぞれの新しい組合せは、新構成を示す。MRSの突発的な行動は絶えず変化するので平衡状態に決して決めれない複雑な自己組織システムを先導する。最後に、集合の為の他の純粋なコンピューテーショナル背景と違って、MRSでの適用は幾何的空間と拡張と物理現象と運転の機械構造を伴う。

インテリジェントエージェントの自律性は個々の特殊化での機会を先導する。生物学的または経済的システムのいずれにせよ、分業を高める能力を築いているので特殊化は最適化チームを提供する。MRA専門家の団体はその全団体のオブジェクティブに対して増された利益の為に人工システムの中で共に働くことができる。特殊化の実在はまた、エージェントの組合せの相互作用を可能にさせる。

集合は実在物を一緒に組み合わせる過程である。モデルグループに対する一つの有益な方法は、ゲーム理論と共にある。MRSを適用しながらゲーム理論的モデルが幾何学次元を所有する。MRSを設計する為のゲーム理論的接近法は特に有益である、なぜなら、それらは多面的及び相互作用的になることができるからである。 MRA相互作用は精密に設計されるだけでなく、またサブグループ間の複合相互作用は、環境に相互作用する事と同じようにそれ以上に最適に表されることができる。ゲーム理論は衝突または、不均一行動と同じように協力エージェント行動を設計することができる。MRSゲーム理論的モデルの為の発見的実例は、人口社会のインターオペレーションの為にMRAモデルを供給するオープニングと作戦と罠と共に作戦行動を行うチェスと似ている。ロボットエージェントは目標を達成する為または、問題を解決する為の成功するゲーム戦略を開発する為に共に働く。

本発明の目的の一つは交替する団体を絶えず開発する為のMRAの為に方法を開発することである。私たちは、どのようにインテリジェント自律エージェントが形成し、集団の動力連携の中で再形成するかを発見することに関心がある。どのようにMRAのサブグループが組織し、自己設定し、再構成し、それらの環境に適応し、再集合するかを正確に理解することは、インテリジェント自己組織システムでの複合突発的団体行動を理解する為に重要である。

幾つかの資源抑制と共に、モバイルエージェントはローカルまた、反応制御で生物学的システムから発想を得た簡潔な規定に従って行動しがちである。しかし、十分なコンピューテーション及び通信資源に恵まれ、インテリジェントMRSは更に効率的に実行することができる。MRS団体のオペレーションで改善範囲の一つは、動力連携行動の為の方法及び過程を設定することにある。

特殊化MRAを含む複数軍隊はセンサーデータ、データ分析、コンピューテーション、通信及び、決定過程を共有することによって共に働くことができる。そのような複数軍隊は産業に対する多数の適用と共に特定使命の為に同盟及び一時的連携を形成することができる。団体資源が制限される時、特定軍隊は限られた情報で自律的に実行し、まだ、その目的を実行することができる。更に、最優先軍隊は至難の時にそれ以上の資源を得ることができる。軍隊は変化環境により最適に適応できるように継続的な動力連携再形成の為に大規模な団体から資源を得ることによって再組織できる。複数マイクロ連携の実在は、一斉に満足のゆく複数目標により適することができ、それ故に、使命成功の機会を増すことができる。

MRAの軍隊はMRSでの大規模の団体から分かれる。軍隊は大規模なコンピューテーション、通信とセンサー資源及び、大規模団体の決定過程を分担することができる。実際に、軍隊は空上で絶えず再構成するニューラルネットの中でノードのチームとして実行する。幾つかの軍隊でセンサーの幾つかは其々のチームに対して外部的であるので、その軍隊はどの限られたチームを超えてデータの流れに近づく手だてがある。サブチームはハイブリッドAI接近法を使用する分散ネットワークで同時に起こる。それにもかかわらず、其々のチームとその再構成チームメイトは、ローカル行動で独立して働くことができる。その上、異なった構成を相互に関係づけながら、軍隊でのエージェント間の相違点、例えば、専門家または、異なった個性は、それらのプログラミングの実用的な抑制の中の軍隊行動で複雑性を作り上げることができる。軍隊は様々な連携構成で自己選択するが、複合使命の間、新軍隊は以前に損傷した軍隊から敗残兵を見つけることができる。同様に、軍隊は問題を解決する為に必要とされる結合した強さがあるところで合併する事ができる。そのシステムが、最適な上首尾を達成する為に継続的に再構成しながら、ロボットエージェントノードは加えられるまたは、控除されることができる。

異なった方法は、団体MRA自己組織過程を現実化する為に用いられる。一つの重要な観念では、ゲーム理論及びセルオートマトンシミュレーションは、作図し問題解決の為の複合計画を達成する為のMRSでの集団の順序に有益である。AIドリブンコンピューテーションの内でのこれらの過程を用いることにより、インテリジェントMRAは使命成功を達成する為に複合過程を最大限に利用することができるように共に働く。MRAの動力連携の絶えない再集合のこれらの過程をシミュレートする為のその機会は、MRS社会的行動の適用の新しい世代を可能にする。このように、とりわけ、本システムは生物学的社会的行動を模倣することで先の接近法よりかなり優れる。私たちのシステムは、インテリジェントMRAに環境の相互作用の為に一番適される動力連携の中で絶えず交替できるようにさせる。それは、まさにそのとおり継続的組織を可能にさせる複合システムの開発を要求する連続的変化環境である。
（新及び本システムの有利点）

本システムは初期の発明を通して多数の革新及び有利点がある。これらの革新は、(1)マルチロボットシステム構成、(2)コンピューテーション資源構造、動力学と割当て、(3)AI動力学、(4)団体交渉、習得、決定構造と過程、(5)モバイルロボットを伴うインテリジェント社会行動、(6)MRAの動力連携を伴う。

本発明は複合行動と非常に同じように幾つかの資源限定を調節する為に全く自動化された社会上インテリジェントMRAに対してMRA団体のマニュアルオペレーションから力学的に調整する真新しいハイブリッドMRS構成を利用する。最も複合特有資源段階に対して不履行することによって、そのシステムは環境状況を最適に調整する。例えば、非常に小規模なMRAは抑制された資源になることが可能であり、それ故に簡潔なローカル反応行動規定を用いるであろう。本システムの構成は、発達と低落が実行に影響しないようにモジュール及び拡張可能の両方でもある。

本システムは分散ワイヤレスグリッドスーパーコンピューティングモデルを使用する。この接近法は、記憶装置、データベース貯蔵、分析的収容力を含むコンピューテーション資源の分担を可能にし、それによって、以前の強制をかなり拡大する。その上、この分散モデルは集団内で同等なノード並行進行の為に最適である。多くの のコンピューテーション進行速度はこのシステムの中で維持され、それによって、複合団体行動の為の十分な資源を供給する。本システムもまた、最も効率的な測地学発見を最大限に使用する為に高度なルーティング手順を使用する。

本システムは通信、交渉、管理、団体行動を組織する為にMRS内でのMRSの真新しい使用を用いる。インテリジェントモバイルソフトウェアエージェント(IMSA)はロボットシステムできわどい内部機能を実行する分析的な見本である。その上、インテリジェント交渉エージェント(INA)は相互作用し問題を解決するMRAの為の伝達の手段として本システムの中心部と革新的な面を意味する。

本発明はインテリジェントMRSの変化環境に対して最適な適応を供給する動力再構成革新的A-NNを使用する。そのA-NNはGA、GP、FL、ECの結合を含むハイブリッドAIテクニックを使用する。ノードがネットワークに対して加えられるまたは、控除されながら、A-NNは最大の能力で自動的に折り返し電報を打つ。そのシステムは学ぶ為にフィードバックループを使用する。そのA-NNは団体習得過程でシステムを訓練する為に有益である。モバイル及び動力MRSに対するこれらの用途は真新しいものである。MAS及びMRS内での連結状態(ニューラルネット)の使用は、早期のシステムから大きな飛躍である。

習得する為に本システムを順序正しくする為に、競争者オプションの範囲の間で一番有効なオプションを選択することによって団体意思決定する為に確率を使用するFL過程を用いる。そのシステムは問題を解決する為に最善の解決法を選択することができるようにコンビネーショナル最適化接近法を利用する。特にエージェント間での衝突状態で、成功判断の方法を開発することによって和解を交渉する必要がある。そのシステムは多角的交渉方法を使用することによって非対称の問題解決に対して真新しい接近法を用いる。

本システムは真新しい方法でMRSの為の戦術的システム機会をシミュレートする為にゲーム理論の接近法及びセルオートマトンスキーマを使用する。即時処理CA及びGTシミュレーションを使用することによって、MRSは自動的に最善な問題解決の進路を選択し、今後、MRAと環境間でまたMRAの中にまじって、複合相互作用動力学を設計することができる。資源抑制と共に課題環境での限られた情報と仮定して、活動計画及び不慮の事故のシナリオテストの為のシミュレーションモデルの使用は、インテリジェントMRS行動を高く達成する為に必要である。

本システムは不均一なので真新しいものである。そのMRSは多様な機能の特殊ロボットを用いる。幾つかのMRAは、多面的機能、代替機能または、補足的機能のあるチーム内での働きをもつことが可能である。この接近法は任務実行の効率を増す、なぜなら、MRSの自動化分業を発展するからである。

それらの特殊機能にもかかわらず、どのエージェントも団体行動を開始することができる。集団に対するMRAの引き付けるものは、MRSで団体行動の真新しい履行内で要求開始されることができる。この接近法はシステム性能を強化する。一つの履行内で、強いデータ入力は特定の基準点を超えて行動する為に誘因の構成要素となることが可能であり、それによって、MRA団体行動を開始する。本システムは真新しい団体引力始動方法を使用する。

本システムは審議計画と共にローカル制御を相互的に扱う。このハイブリッド構成は、真新しくまた、ここに示された高度なコンピューテーションテクノロジーの独特の合致と共にだけ可能である。

本システムは動力連携形成として真新しい接近法を使用する。これらの接近法を使用することによって、環境変化に適応する為にその構造及び動力学を絶えず再構成する。この最も効果的適応は、使命の危険な状態で増された速度、正確さ、効率、効果を提供する。

分散人工インテリジェントの接近法を適用することにより、本システムは即時処理で協力的また対立状態で意思決定する為にロボットエージェントの団体の為の方法を開発する。これは早期システムを通して真新しく、重要な躍進である。

本システムはMRAの戦術的協同チームを伴う真新しいMRS接近法を履行する。このシステムの高度の使用は、人工団体インテリジェンスの早期の概念を超越する。

なぜ、ロボット団体が重要であるのか？もともとは、ロボット団体は任務を実行する為に増された速度を許された。自然界のように、団体はますます信頼できるので、幾つかが失敗することが可能でも、その団体はまだ、その任務を完了する。その上、任務を実行する為にロボット団体を使用することは、個々のロボットだけよりももっと順応性になることができる。本システムはこれらの従来の有利性の為に高い性能基準を提供する。

本システムは多様ハイブリッド構成を使用するので、そのシステムとAI段階で早期システムを通して重要な有利性がある。

最も効率的な本システムは人工ロボットシステムで複合団体行動を履行する。例えば、昆虫行動を真似る為に探索する早期人口システムとは違って、本発明は真の社会的知性を開発する為に複合人間団体判断を真似、超越することができるように探索する。その結果として、本発明は一番近い味方のローカル制御及び反応行動を主として焦点を置くロボットシステムを超える。

本システムの動力連携での組織的で協同再構成軍隊の使用は、多数の真新しく有益な有利性を提供する。

最後に、本システムは製造から有害清掃また、リモート探知から交通調整にわたる広範囲の重要な用途の為に有益である。産業を超えて本システムを使用する集団ロボットの用途の全くの広がりは、革命的な示唆を供給する使用範囲を促進する。
（本発明の用途）

本システムの多数の用途が有る。ロボットは特殊目的の為に特定の機能を持つことができる。あるロボットは、他のロボットが乾燥している間に清掃することができる。しかし、特殊ロボットは、チームの中で機能しながら、特に高い有益がある。特定目的ロボットが有益である間に、多機能ロボットはますます生産的になる。多機能ロボットは複合任務を完了する為、必要に応じて役割を替えたり、隊形を変えることができる。ロボットがもっと優れた任務をすることができるのは、ロボットが持っている優れた適用性と順応性、その多様な特殊性の為である。

ロボットの多機能チームは特定の特殊性ロボットより、より多くの任務を実行することができる。ロボットがより多くの任務ができるにつれ、ロボットのチームはより多くの適用性の任務を実行することができるのは、最大限に強化された分業の効率利益の為である。

本発明が向上する為のロボット団体の用途の広範囲(使い尽くすことない)リストは次の通りである。
（製造）

本システムは、製造所生産物、組み立て、分配過程を高める。共に働くロボットの団体の為の方法は、生産技術をはるかに速めることが可能である。例えば、多機能な自律ロボットの団体を使用することによって、多数の生産物は早期の方法より迅速により効率的にそして、安く生産されることができる。

その製造所組み立て過程についていうならば、自律モバイルロボットの団体の真新しい使用は、組み立てラインの考えを作り直すことが可能である、なぜなら、効率的なモジュラーワークスペースをもたらす新しく相互に作用する過程は全体に結合される部分の中で活動に対する接近法を再構成するからである。製造組み立てに対する多機能ロボットシステムの自己組織団体の用途は、ちょうど折よく生産過程を促進し、時間の節約と効率性を増す為に在庫品に頼ることができる。

荷積みや荷降ろしのような製造所の分散機能は、共に働く自律ロボットのチームと共に改善されることができる。そのようなシステムは所定の労働習慣を置き換えることができる。
（造物と道路の建設と修繕）

自律ロボットの自己管理チームは道路や建造物を築き上げることができる。線路やパイプを置くことから、電気、配管工事、骨組み、屋根に至るまで、MRSは、履行する入念な時間集中の所定の建造物建築機能で有益である。同様にMRAは建物や道路の修繕に有益になることができる。これらの真新しいMRA過程はロードワークや修繕と同じように建物建築の時間を節約し、費用を削減することができる。一つの実用的な用途では、MRAのチームによって、自動的に穴を探知し修繕することである。
（医学用途：メディボット）

医学分野に対して本発明の二種類の用途がある。第一に、メディカルロボット(メディボット)の団体は、患者を安定させる為に危険な区域状態で使用される事ができる。自律メディ-ボットは、(a)患者の外傷を診断すること、(b)電子パルスまたは、人工呼吸法を通して心臓または肺機能が停止している患者の意識を回復させること、(c)出血を止める(または最小限に押さえる)為に傷を焼灼すること、(d)生命維持に必要ななくてはならない水分を置き換える為に静脈注射用の溶液透過の為の点滴を適用すること、(e)正確な物理的位置状態を提供することによってより多くの医学手段を要求することの為に共に働く。複数のメディボットは、更により効率的に救い患者を安定にさせ、それによって、生命を救うことができる。

第二に、メディボットの団体は主として、看護婦やアシスタントによるものとされる職務を果たすことによって臨床的症状でドクターを援助することができる。そのようなメディボットは時間を節約できるように外科医または、歯科医を活発に援助することと同じように進行の間、患者の機能を監視することができる。これらのメディボットはまた、重要な手術室環境で専門知識を提供することもできる。時間と明確さが違いをもたらす重要な救急処置室で、メディボットは生命を救うことができる。
（偵察及び監視）

本システムの使用の大きな部類は、偵察及び監視にある。チームとして働く複数自律的ロボットは偵察及び監視の為に最適である。これらのMRAは一般的荷に、サテライトまたは、地上通信システムを通して現場から離れた位置で即時処理の視覚と音声を送信することができる。

一つのモードで、そのMRAは偵察及び監視目的の為に内密有利性を提供するという非常に小規模なマイクロロボット(下記に更に十分な参照)になることができる。

他の実施例において、MRAは責任回避や内密の有利性の為に、例えば、動物、鳥、昆虫などの自然現象として見せかけることができる。野生動物行動を真似る事によって使命効果は最大限に生かされる。

最後に、MRAの団体を使用することによって、視察された地形のより完全でより動力でより正確な視野は、他のどの現在のテクノロジーより維持されることができる。

もし捕まえられたら、残りのネットワークノードが自動的に効果的実行の為に再構成しながら、このシステムでのMRAはそのプログラミングを抹消し、大量のセンサーを無用にさせることができる。
（探索及び救援）

偵察MRA及びメディボットを含むロボットエージェントのチームは、例えば極端な天候の中で人間の為に住みにくくなることが可能である困難な地形での探索及び救援軍事行動を実施することができる。
（有害清掃）

MRAの団体は人間に有害になることが可能であるという複合清掃オペレーションを実行する為に使用される。これらの清掃部類は、(a)有害なごみ捨て場、(b)原子炉清掃、(c)石油漏れ事件、(d)下水管清掃を含む。

MRAは最も効率的に安全に有害清掃オペレーションを供給する為に計画を考え出すことができるようにローカル地形の自己組織図を使用することができ、それによって、生命を救いその環境を守ることができる。
（消火）

MRAの有害清掃用途で使用されるような同様の構成及び方法を使用することは、MRSが消火に当たる為に使われることができる。航空MRAが最適な効果の為に戦術位置で発砲遅延剤を落下することができる間、地上MRAは拡張する発砲範囲の為に溝を掘り、弾道の見取図を書くことができる。有害清掃で使われることと同様に、MRAはその領域と全活動発砲状態の動力学を評価する為に自己組織作図過程を使用する。消火MRAは生命を救い、所有地を守ることができる。この用途は森林発砲、都市発砲または、複合問題解決及び決定的活動を要求するという産業の建造物発砲の為に有益になることができる。メディボットは、最大の利益であるこれらの消火用途と同時に使用されることができる。
（採鉱）

MRAチームは、遠隔地でのミネラルを採掘する為に非常に有益になることができる。ロボットは採掘する為の最も見込みのある場所を確認し、入念な採掘と交替任務と共に助けることができる。MRAの団体は、一部で、現在のオートメーション過程より迅速に、そして、より効率的に働くことができるのは、それらがモバイルと自律的と自己組織だからである。
（農業）

耕作は生産物を最大限に拡張できるように生成の為の増加されたオートメーション過程に恵まれている。MRAの団体はこのオートメーション発展を継続でき、特に、大きな関心である栽培と収穫に関して、フルーツや野菜のような特定の収穫物を必要とされる。一般に、MRAは出稼ぎ摘み取り作業者の日常機能を置き換える。
（船舶危険）

有害清掃のように船舶は、解決する為に多くの複雑で危険な問題を抱えている。なぜなら、船舶は自己囲いされた物理的領域として作用するので、MRAは特定の問題で効率的に操縦することができる。MRAの団体は危険な機能に対して効果的に自動解決法を供給することができ、それによって、危険性を削減し時間及びお金を節約することができる。
（地雷原を除去する）

MRAの一つの主要活動は地雷除去を伴う。自律ロボットの団体は自己管理された探索過程で発見される地雷を分解させるか、または爆発させる為に共に働くことができる。その上、警戒心を解かせるような爆弾は、MRAの団体の為に有益な機能になることができる。
（交通調整）

自動化車両の団体は効果的なオペレーションの為に本システムを使用する事ができる。MRS車両部類は、車、トラック、トレイン、エアクラフト、船舶を含む。特に、貨物はより大きな効率性、時間的及び、費用便益の為に自律性伝達手段の様々な団体を進ませることが可能である。そのような交通調整システムは、鳥の群集または、蟻採食行動を真似、超越するという複合ルーティング選択アルゴリズムを開発することが可能である。
（エレベーター及びダムシステム規制）

エレベーターのシステムは自律的団体論理学を使用することによりもっと良く誘導され調整されることができる。同様に、ダムはMRSの団体論理学過程を使用することにより、もっと効率的に規制されることができる。
（天気予報）

本システムはデータを集め広める為に気象観測気球または、エアクラフトの団体を組織する為に有益である。MRSは、例えば竜巻または、ハリケーンなどの危険な気象状態を探知するような複合適応環境に理想的に一致される。自己組織MRAの団体は、変化する飛躍的気候をより迅速に予報できる。

アクティブモードでは、MRAが悪天候を予報するだけでなくその結果を左右することができる。干ばつ状態では、MRAは人工降雨を増す為に雲の種まきをすることができる。極端な場合、MRAはそれらの開発の中で非常に早くそれらの移動に影響を与えることによって、また、最も接近した環境状態を変更することによって、竜巻を防ぐことができる。不穏な循環軍隊を遅らせる、または、最小限度にするために、このような限られた範囲の中でクールエアを温める特定の機能と共に、自動モバイルロボットエージェントの自己組織団体だけが、これを正確に、または、迅速に実行することができる。
（サテライト）

サテライトのグループは本システムを使用することによって、移動するオブジェクトを最適に追跡することのような特殊機能を果たす為に共に働くことができる。

本システムはまた、遠隔的にサテライトを修繕または、再調節する自己管理自律的MRAの団体を所有する為にも使用されることができる。
（水中用途）

他の遠隔領域と同じように、その本システムは水中用途で使用されることができる。特に、水中に関しては、監視、偵察、探索及び救援、地雷除去を含む他の用途で使用されることができる。
（遠隔及び空間調査）

空間及び遠隔調査の為の本システムの使用は合理的である。自己組織MRAのチームを使用することによって、複合調査活動は決められた通りに実行される。この技術は、モバイルロボット機の団体行動の柔軟性と効率性の為に最大限に利用される極端に冷たいまたは、深い空間使命、水中に適用することができる。これらの伝達手段は収集とローカル環境データの分析の為に複数の機能を所有することができる。ある状態では、これらのMRAは責任回避プログラミング能力を必要になることが可能である間の内密なオペレーションを指揮することができる。
（歩哨保護サービス）

MRAの団体は安全保護目的の為に歩哨の自動化システムとして使用されることができる。歩哨は監視の為に使用されるだけでなく、また建造物または、人員を守る為に防備用の使用のためにも使用される。そのようなMRA歩哨は、探知し、認可されていない人員によって回避する侵入者を追跡すること、また、援助を要求することで、侵略的行動に応じる。更にそれ以上の攻撃的モードでは、自動化された歩哨は、その権威者が到着するまで認可されていない行動を静めること、また、服従させることによって侵略的行動に応じることができる。
（映画撮影）

本システムは動的映画場面を捕らえる為にビデオまたは、フィルムカメラを操作するというMRAの団体によって使用されることができる。なぜなら、そのMRAは絶えず移動することができ、また、自己組織することと、同時に動かされることの両方ができるので、MRAは、特に、人気あるアクションシークエンスの為に映画製作技術の新しい世代を促進することができる。同時に動かされる方法または、無作為の方法で移動している間に、MRAはMRS内でのたった一つの可能な特殊映画撮影の方法で移動場面を捕らえる為によく適される。
（商業のクリーニング屋またはレストラン）

所定のレストランの食糧準備及び配達と商業のクリーニング屋の職務は、MRAのチームによって行われることができる。即席料理の注文料理人の団体として働くことことは、MRAが玄人のシェフまたは、ウェイトレスよりも短時間でより多くの多種の調理法を作り出すことができる。同様に、商業のクリーニング屋サービスは、準備し、きれいにし、洋服を一まとめにする為にMRAの団体を使用することによって、最大限に利用されることができる。一時間割引クリーニングはMRSを使用することによって現在可能である。
（マイクロ-ロボット工学）

ロボット工学の中で最も刺激的な開発の一つは、小規模(ハエサイズ)ロボットの出現である。しかし、そのロボットが小規模になるにつれ、更にその有益は、団体の中で働くことから得られる。いったん、団体の中に入れば、マイクロ-ロボットは蟻または、蜂が団体で成功することと同じように、非常に有益になることができる。多数の団体ロボット用途はマイクロ-ロボットの使用を伴う。マイクロ-ロボットの資源抑制を与えられれば、その団体は、全く、連結されない自律ロボットエージェントの収集を通して得る動力的実行を可能にさせるという本発明を使用するネットワーク内で実行しながら、大量の資源利益を得る。これらのMRSマイクロ-ロボットネットワークはまた、非常に小規模に統合されたシステムとして解釈されることもできる。(VSSIS)

一般に、マイクロ-ロボットエージェントが小規模になるにつれて、そのシステムはより簡潔になる。それ故に、そのシステムが自然現象として(例えば、本物の蝿または蜘蛛)偽装されている間、中心的使用の為に送信されるセンサーデータの中で、幾つかの率直な用途は監視及び偵察を含む。

自己組織マイクロ-ロボット利用ローカル反応オペレーショナル行動のチームは狩猟採取またはフロッキングのような生物学的システム行動を真似るという団体行動を基礎とした従来のコンピュータを使用する事ができる。しかし、本システムはこれらの制限的行動を超える為に努める。

一実施形態では、マイクロMRAの内訳集団は統一行動を示す大規模な複合ロボット内で共に形成することができる。これはプレデターを避けるまたは、作戦行動をごまかす為に、必要であれば大規模なロボットが構成(専門)部分内で解体することができる為に重要である。

他の実施形態では、本システムを使用するマイクロMRAは点検し、マイクロ電子システムを組み立てることができる、または、異常性の生物学的実在を点検することができる。

マイクロプロセッサーがかつてにないほど小規模サイズにまた、優れた能力に進行すると同時に、自己組織団体の中で、特に、マイクロロボット工学の為の実用的使用及び可能性は、急激に増加する。
（ナノテクノロジー）

マイクロロボットに近い関係のあるのは、ナノテクノロジーである。ナノロボット及び本システムのナノ宇宙探査機によっての使用は論理的である。その同じ議論及びマイクロロボットの規制はナノロボットサイズの分子に適用する。マイクロロボットのようなナノロボットは、自律団体として共に働く大規模な構成のなかで組み立てることができる。

ナノロボットの使用は監視及び偵察を含む。しかし、より多くの非現実的使用は、患者の血流内にナノMRAの団体を注入することにより動脈を掃除することを含むという生物学的用途を使用する。ナノロボットは影響されたエリアまで行動し、内部的にオペレーションを実行し、摘出の為に再集合する。ナノロボットはまた、マイクロ電子の異常性を確認し、修繕する為に使用されることもできる。
（エキスパートシステム）

人類学的MRA“アンドロイド”の団体は複合エキスパートシステムを形成する為に共に働くことができる。自律的見解と共にコンサルタントとしてオペレーティングすることは、ロボットエキスパート団体が、データを収集し分析する為に専門家チームメイトのように行動し、予測し、予備のプランを開発し、予報し、報告の形成の中でアドバイスすることができる。このようなエキスパートコンサルティング見解の団体は、最適化テレコム、エネルギールーティング選択アルゴリズム、経済的ビジネス産業、科学的分析を含む多数の実質的産業部類及びトピックを伴うことができる。アンドロイドMRAの個性、経験、習得過程は発展する。それらのすべてをまとめて、そのようなエキスパートシステムはシンクタンクを構成する。最後に、そのような自律的自己組織ロボットエージェントの団体は洗練されたコンサルティング会社と同様に専門家エキスパートの提携を形成し再形成することができる。発展的習得及び結合する様々な見解をを適用することによって、そのような複合システムはチェスをするスーパーコンピュータをはるかに上回るという独創的で初期の思考接近法をすることができる。
（MRA）

MRAは多数の形成をすることができる。発散的産業及び技術的背景の中で、本システムの多数の用途があるので、様々な仕事を実行することができるという建造物とMRAの多様性の機能を確認する為に特有である。

MRA機はエアクラフトの様々な種類を含む。例えば、飛行機、グライダー、ヘリコプター、気球、小型飛行船、サテライト、スペースクラフトである。MRAは船舶、ボート、潜水艦または、ホーバークラフトとして水中で操縦することができる。地上でのMRAは自動車、トラック、農機具、採鉱機材、工場設備などになることができる。昆虫発生、ナノロボットなどを真似る為に意図されたこのような遠隔探査装置、人類学的アンドロイド、マイクロロボットと同じようにMRAの完全に新しい種類になることが可能である。MRAのサイズと種類の範囲は非常に広範囲である。

本システムの中でMRAを一致するのは、自律インテリジェントモバイルロボットの自己組織団体行動を可能にさせるという共通の過程である。それにもかかわらず、本システムを使用することによって可能にさせるという様々な特殊化用途は、考えられる限りの最も危険で、最も遠隔で、最も複雑で、最も所定の、最も重要な任務を実行することにより人間の状態を高める為に努めるという重要な使用範囲を可能にする。

図及び特許請求の範囲を含む特許説明書の残り部分の参照は、その他の特性と本発明の優利性を理解する。本発明の様々な実施形態の構成及びオペレーションと同様に、本発明のそれ以上の特性と有利性は、同一または、機能上似ている要素を表示する参照番号のように添付図面に関して下記の詳細に記述される。
頭文字のリスト：
MAS：マルチ-エージェントシステム
MRS：マルチ-ロボットシステム
MRA：モバイルロボットエージェント
INA：インテリジェント交渉エージェント
IMSA：インテリジェントモバイルソフトウェアエージェント
AI：人工知能
D-AI：分散人工知能
A-NN：人工ニューラルネットワーク
E-A-NN：進化的人工ニューラルネットワーク
FL：ファジー論理学
GA：遺伝的アルゴリズム
GP：遺伝的プログラミング
EC：進化的コンピューテーション
OS：オペレーティングシステム
CA：セルオートマトン
GT：ゲーム理論

本事実は本システムの主要の考えを詳細に説明する本発明が多数の実施形態を持つ為、単一実施形態に対してその発明を制限することを意図されない。

本発明に合同されたシステム及び方法は、コンピュータのネットワークに適用するソフトウエアプログラムコードを使用することによって履行される。特に、本発明は、少なくとも二箇所のモバイルロボットエージェント(MRA)を含むマルチロボットシステム(MRS)を代表する。これらのMRAは産業的及び実用的用途に背景で様々な有益目的を所有する。MRAはロボット及びコンピューテーションオペレーションを伴う特定の指示を遂行する為にモバイルソフトウエアエージェントを含む複合プログラムコードを使用する。ソフトウエア能力は移動及び意思決定を伴うMRA内での特定ロボット機能を活動させる。

本発明はどのように自律MRAの団体が分散MRSの中で実行するかということに焦点を置く。それであるから、その発明または、クラスター方法は、分散ネットワークでのモバイルロボットの団体の為のコンピューテーションの範囲で問題を解決する。そのシステムは、環境を作図すること、使命をコーディネイトすること、動力連携で集合すること、複合自己組織活動に従事することのような特定目標を達成する為に共に働くことができるようにMRAの団体の為の真新しい方法を示す。そのシステムは中央また、行動基礎接近法を結合するという総合制御方法だけでなく、ハイブリッド人工知能方法もまた結合するという集団ロボット制御の為にハイブリッドモデルを用いる。分散知能接近法は、習得、交渉、シミュレーションとMRAの意思決定、インテリジェントモバイルソフトウエアエージェント(IMSA)を含む本システムの幾つかの関連の中で使用される。

MRA収集の意思決定の為の主要接近法は、分散される。変化環境での特定使命の為の自己組織集合を達成する為に、MRSはIMSAの多方面にわたる使用を用いるという習得及び意思決定に従事する。IMSAは、通信、分析、交渉を含むMRA間での所定の事柄を処理する為にお互いに相互作用する。インテリジェント交渉エージェント(INA)は、集団決定によってMRAの多面的相互作用の手段を提供する。シミュレーションは設計する為、また、MRA団体活動の為、及び、活動による計画評価の為に最適な進路を選択する為に広範囲にわたって使用される。

図のこの詳細な記述は、(1)主要構造及びMRSのオペレーション、(2)分散MRSの資源管理、(3)MRA習得、(4)AI及びANN、(5)IMSA、(6)INA、(7)問題解決、(10)(a)リモート探知、(b)危険物管理、(c)建造物工程を含む、特定用途を説明するという幾つかの部分に分割される。
（一般システム構成）

図１はマルチ-ロボットシステム構成の層を説明する。第一段階は、中央プランニング制御及び行動基礎制御面を含むMRAの為の総合ハイブリッド制御システムを示し、図２ではそれ以上に記述される。MRAはハイブリッド制御モデルを使用するそれらの環境と相互に作用する為にAIを使用するという独立した自律エージェントである。

第二の層は、通信を使用する個々のMRAを一緒に接続する分散ネットワークでのモバイルロボットシステムの段階である。グリッドコンピューティング構成は、コンピューテーション及び、最大限のネットワーク効率性による個々のMRA間でのデータベース資源を分担する為に第３の層でMRAを一緒に連結する為に使用される。このように、MRAネットワークは最適なコンピューテーション及び貯蔵能力によって動力クラスタを開発する。特に、制約された時間動力環境で、モバイルグリッドネットワークモデルは複雑な任務を成し遂げる為に重大である。

第四層で、動力分散データベースシステムは使用される。グリッドコンピューティングハードウエア構成のこの拡張は、MRA内でのデータベース間のデータを組織する為にオブジェクトリレーショナルデータベース及び、時間的データオブジェクトを使用する。

人工知能は、展開するという動力相互作用人工ニューラルネットワークとして第五層で使用される。動力環境で相互作用しながら、発展するMRAのネットワークにAIを適用することによって、複雑な習得及び適応過程は開発する。

インテリジェントモバイルソフトウエアエージェント(IMSA)は第六層で構成するマルチエージェントシステム(MAS)の範囲内で実行する。IMSAは分析及び意思決定のような其々のMRAと、データサーチ、交渉、コラボレーションのようなMRA間の範囲内で多数の重要な任務を果たすという複合エージェントである。

MRAは将来の活動の為に可能なシナリオを作図する事と同じように、関連する位置及び移動を表す為に複雑なシミュレーションを作り上げる。これらのシミュレーションは、第七段階でモバイルセルオートマトンとして表される。

最後に、システム構成の其々の履行の特定機能用途は、第八段階である。其々のリモート探知、危険物管理、製造過程の主要用途部類は、特定のハードウエアタイプと共に環境に最も近いという特定機能表示を使用する。

図２はMRA総合ハイブリッド制御システムのマルチ層構成を示す。第一段階は特定中央(0270)及び行動基礎(0280)制御過程を示し、前者は抽象論理学を使用し、後者はその環境に反応する。第二層では、二つの主要過程は、総合制御接近法の中で調停(0260)される。

第３層は中央プランニング及び行動基礎制御モデルの両方を結合するという幾つかの主要ハイブリッド制御システムを説明する。(1)プランニングドリブン(0220)、(2)アドバイス調停(0230)、(3)適応(0240)、(4)延期(0250)。結合する主要制御方法に対するプランニングドリブン接近法は、行動要素を判断し、それは、主としてトップダウンモデルである。アドバイス調停はアドバイスとしての中央プランニング機能を設計するが、決定する為に反応モデルを可能にさせる。それは主としてダウンアップモデルである。適応モデルは変更する状態での反応を継続的に変更する為に中央プランニング制御モジュールを使用する。最後に、延期モデルは、行動することを決定するまで反応制御モジュールからの情報を収集する為に最後の瞬間まで待機することができるように最少のコミットメント接近法を使用する。

最後に、第四層で総合制御システム(0120)の一連はこれらの主要ハイブリッド制御モデルの様々な結合を組み立てられる。例えば、ロボットユニットは、特定の状況を最大限に利用する為にハイブリッド制御システムの一連を使用することが可能である。

図２の層になった構造の中で表されているように、これらのハイブリッド制御モデルの発展は動力環境で使用される分散MRSの複雑な社会的行動に適される。

動力データベース組織の構造は、表として図３に参照されている。単独MRAユニットはオブジェクトリレーショナルデータベースと共にハードウエア要素を含む。このMRAの範囲内で、ソフトウエアエージェントは、分析、交渉、意思決定のような任務を果たす。それ以上の高度な段階では、AI及びANNを含む単独MRAは、管理する為に複雑なコンピューテーション資源を所有する。

分散ネットワークでのMRAの全システムとして、MRAは、ネットワークの範囲内でデータを管理し、データベース組織化機能を分担する。同様に、分散ネットワークの中で、ソフトエージェントはモバイルになり、様々なMRAロケーションで他のソフトウエアエージェントと相互に作用する。最後に、MRAを連結するこのネットワーク段階で、コンピューテーション資源は、複雑な時間の制約用途の為にコンピュータパワーを最大限に利用できるように、絶えず、再編成される。

機動性の段階では、MRAは、特定の任務を果たす為に可変的時間系列で空間位置を変える。ソフトウエアエージェントもまた、モバイルMRA間での限られたワイヤレス範囲内でモバイルにもなる。MRAのネットワークは、その環境に適応する為、また、最適に集団使命を果たす為にAI及びANNを使用することによってそのコンピューテーション資源を絶えず、配線し直す。

それ故に、図３は単独自律的ユニットが重要であるのに対して、ネットワークで他の同様のユニットと結合され、機動性と共に提供される時、また、ソフトウエアエージェントシステム統合とAI及びANN能力の両方で結合される時も、そのシステムは自律的モバイル相互作用の有能な複合適応集団を生産する。

図４及び５は障害物を避けることによって、他のMRAまたは、変化する場所の位置を示す為にセンサーを使用するような簡潔なMRAオペレーションを示す。図４はセンサーを使用する３箇所のMRA間で簡潔な通信を示す。其々のMRAは他のMRAの場所を探知する為にそのセンサーを使用する。このように、其々のMRAは其々の他の場所を確認することができる。他の実施形態では、其々のMRAの場所はワイヤレス通信の方法によって、ネットワーク内で他のMRAに送信されることが可能である。しかしながら、他の実施形態では、MRAの場所はシステムを追跡するサテライト、レーダー、または、他の外部GPSによって他のMRAに送信されることができる。これらのように、MRAの場所はネットワークでの他のMRAによって追跡されることができる。個々のMRA場所で他のMRAを追跡する理由は、騒々しい環境で他のMRAを追跡できるようにMRAの為に複数の方法があるということは重要である。通信の全くない場合に、個々のMRAは他のMRAと共に及び、環境と共に相互に作用する行動基礎反応モードに対して不履行することが可能である。

個々のMRAはそのセンサーと共に環境でオブジェクト(0520)を探知し、図５で説明されるように0520から0530までの場所を変えることができる。

個々の自律的MRAは、不活発なコンピュータがスーパーコンピュータの為にグリッドコンピュータネットワーク内で一緒に連結されるという殆ど同じ方法で分散ネットワークの一部になる。 個々のMRAからなるこのモバイルグリッドコンピュータネットワークは、コンピューテーション資源を分担する為にワイヤレス通信を使用する。図６では、分散モバイルロボットシステム(MRS)の為にメタコンピューティングモデルを示す。その図はモバイルMRAの動力クラスタのフレキシブルモバイルグリッド構成を記述する。0610では、MRA１は他のMRAからコンピューテーション資源及びデータ貯蔵能力を要求する((1)(a),(1)(b),(1)(c)で)。MRA２、３、４は(0620,0630,0640別々に)、MRA1(0650)の要求に((2)(a),(2)(b),(2)(c)別々に)応答する。

図７はデータベースのルーティング及び分析機能を強調すると共にワイヤレスモバイル内でMRAノードの間でコンピューテーション資源の分担を説明する。MRAの分散ネットワークは一つの動力ユニットとして一緒に働くことができる。メッセージは、報告状態ディストリビューター(0720)及び要求コーディネーター(0730)に入力される。報告状態ディストリビューターは、キャッシュ(0750)及びデータの流れ(0760)と相互作用するMRS(0740)にメッセージを与える。そのキャッシュはまた、システムの分析(0770)機能と相互に作用する。メッセージはデータの流れからと要求コーディネーターから出力される。モバイルワイヤレスグリッドコンピューティング構成は、分散コンピュータネットワークの為のメッセージ通過接点(MPI)の最も最近の解釈を使用する。モバイルワイヤレス分散ネットワーク内でのグリッド構成の使用は、適応環境で大量の資源を提供する中で最大の柔軟性及び拡張性に関して可能にさせる。

MRAは、システム処理能力のテラオプス(一秒間に一兆の作業)または、ヨダオプスに対して可能にするコンピューテーション能力を所有するだけでなく、また、データベース記憶容量もまた同じように所有する。其々のMRAはデータベースを所有する。しかしながら、全体として、MRSネットワークは複合コーディネーション能力と共に分散データベースシステムから成る。データベースは、表、計算、マルチメディア部分または、論理的モバイルコードの他の複雑なコンビネーションとしてのデータオブジェクトを保管する為に一緒に働く。そのように一緒に働くことは、幾つかの時間の制約の下で最大の効率性を確実にする為に多数の機械の間で分担するデータベース貯蔵を伴う。図８では、分散MRSでのデータベースコーディネーションを示す。フロントエンド(0810)は、他のMRAと共にバッファ(0870)を持つクエリーエグゼキュター(0830)に入力するクエリーイニシエーター(0820)でクエリーを入力する。複数データ資源(0850と0860)はクエリーエグゼキュターに情報を供給する。クエリーエグゼキュターは様々な他のMRA(0880)でキュー(0840)を出力する為にそのクエリーを出力する。この過程は図９でそれ以上に説明される。

図９では、動力分散オブジェクトリレーショナルデータベースデータ流れ図過程が記述される。クエリー発生(0910)は様々なデータベース(0920)、DB1からDB5の内部を通りMRA1からMRA5に移動する。緩衝される(0970で)クエリーエグゼキュター(0950)は、データ資源(0940)としてのセンサーデータ流れ入力(0930)を持つ同じデータベース(0980)を探索する。一度アクセスされると、そのデータベースはアウトプットキュー(0990)でそれらのデータを出力する。この分散モデルはデータベース組織に対して並行ネットワーク接近法を示す。一実施形態では、システムは、コンピュータ処理能力が分析的機能性によってそれ自体継続的に、採鉱目的であるデータベースに対して内部的である活発な貯蔵データベースを使用する。

オブジェクトリレーショナルデータベース管理システムが組織するというオブジェクトの特有な種類の一つは時間的オブジェクトを伴う。なぜなら、MRSは主要な使命を果たす為に典型的に時間の制約であるので、時間的オブジェクトは分散データベースシステムの目立つ部分になる。時間的オブジェクトは、貯蔵修正目的の為にデータベース内で高いまたは、低い関係のある優先にリストされる為に、それらの時間的優先度を明らかにする。オブジェクトは、“今”、“差迫っている”、“非常に早く”、“将来で”、“将来でおそらく有益”、“過去”、“近い過去”、“すぐ近くの過去”、“緊急の優先”などのような時間的優先と共に追われる。時間的優先に従ってオブジェクトを保管し再優先することによって、そのシステムはさらにより効率的に作用することができる。図10はどのように時間的オブジェクトがORDbMSで実行するかを示す。

クエリージェネレータ(1010)は連続する命令でDB1(1030)とDB2(1050)にあるデータベースをアクセスする為にクエリーエグゼキュータ(1020)を要求する。これらのデータベースは時間的変化を経験し、時間的優先(1040)を与えられ、それから、クエリーエグゼキュータに戻って提供されながら追われるデータオブジェクト(1060)をアクセスする。もう一度、そのデータベースがデータオブジェクトについての時間的情報と共にアクセスされる。データオブジェクトはシステムに対するフィードバックの為にクエリーマネージャー(1070)に管理される。時間的優先に従ってデータを優先することによって、そのシステムは効率的にデータを送り、効果的に機能を予期することができる。時間的データは発展する習得、発展するANN、発展するゲーム理論交渉用途、発展する環境状態、一般的システムの適応過程に関連する本システムの中で有益である。

図11はモバイルグリッド動力学を示す。特定の場所でのデータセットは1120でシステム分析を報告する。そのデータセットは、そのシステムが動くべき所で判断する為に1110で分析され解釈される。そのシステムは1130で新たな位置に移動する。更にこの位置の変化はシステムが動くべき所で判断する為に分析によるシステムに対して次々に提供される新たなデータセットを提供する。この動力過程はシステムの機能性を最大限に利用する。

物理的位置、分析、交渉、意思決定のような特定のデータについて他のMRAから情報を入手し、送信することはMRAの為に必要である。簡潔なデータセットはそのロケーション及びMRAの分析的状態について即時処理でのMRA間で送信される。これらの縮小されたデータセットはネットワークの状態についてMRAを報告する“レーダー読み出し”として活動する自律的ブラックボードによって其々のMRAで合体される。

図12では、自律的MRAブラックボードが記述される。この例では、限られた情報は、其々のMRAがそのシステムの中でおのおの他のMRAの現在状況で素早い行動をとることができるように空間位置、ベクトル、速度を伴うことを参照される。図の中で、スプレッドシートのMRA1から4の特定データは、第一段階の間の1210で初期化する。ニューデータセットはネットワークの状態で変化を表す為に第二段階の同じMRAに対して表される。一実施形態では、外部のブラックボードは、バックアップの形成としてそのデータの経過を追う。車内での集中ブラックボードの場合には、サテライトのような特定MRA、そのリーダーは強固された情報機能を維持するであろう。もし強固された接近法が、そのシステムのそれ以上の実施形態で使用されるなら、そのリーダーはシフトすることが可能であり、それによって、システムの集中リーダーシップの流動性を提供する。

図13はMRAの間でインテリジェントモバイルソフトウエアエージェント(IMSA)のオペレーションを記述する。下記の図44から58で論じられたとしても、IMSA(及びINA)は通信し、相互作用し、お互いに協力する為にMRAの為の主要ソフトウエア基礎方法である。MRA(1310)はMRA2とMRA3(1330)の両方にサーチエージェントを送り出しながら、MRA2(1320)によって送られるコラボレーションエージェントを受け取る。相互作用過程はMRA1及びMRA2の間で従事される。一方では、メッセンジャーサブ-エージェントがMRA3からMRA2に送り出される間に、分析エージェントはMRA3からMRA1によって送り出される。最後に、その図はMra2とMRA3間での交渉エージェント(INA)相互作用を示す。これらのソフトウエア基礎相互作用は、通信し、ネットワークとしてお互いに働く為にMRAの為の重要な方法を表す。

図20から25までが社会的習得を取り扱っている間、図14から19まではMRAトレーニングと習得を取り扱う。

図14はトレーニングレベル状態の発展を描写する流れ図である。MRAがトレーニングエクササイズ(1410)を開始する後、それはトレーニングのレベルを増す(1420)。特定の習得任務(1460)と習得任務の改善(1470)と共に習得モジュールを用いることが可能であり、または、学ぶ為に様々な環境入力(1430)と相互作用することが可能である。特定の時点で、若年トレーニングレベルは達成される(1480)。しかしながら、環境との継続された実験と共に、確実な補強(1440)で習得を改善し、アダルトトレーニングレベルは、達せられ(1450)、それは、フィードバックループで絶えず補強される。

MRAアティチュードビアシスは図15で示される。受身(1510)と攻撃的(1530)行動間の行動範囲上では、適度な“正常”行動(1520)である。攻撃的行動で、MRAが迅速な判断力だが、より早い行動の時間制限がある為に情報抑制内で行動している間に、受身行動で、MRAは遅い判断力だが、より多くの情報で行動する。

環境相互作用は修得と適応の為に非常に重要である。図16はMRAが他のMRAと環境の両方で相互作用する流れ図を示す。MRAがトレーニングエクササイズ(1610)を開始する後、それは他のMRA(1620)と相互作用するか、もしくはその環境(1630)と相互作用するかのどちらかである。それが他のMRAと相互作用する時、MRAがデータベースをアクセスし、そのデータクエリー(1660)に応答しながら、MRAは他のMRAに特定の問題(1640)について質問する。それゆえ、インターMRAフィードバックは個人指導として効率的な習得(1680)によってMRA間で分担される。一方では、MRAが環境と相互作用する時、環境が変化するとMRAフィードバックは変化する(1650)。このように、ポジティブフィードバックが、補強習得(1675)と環境とのフィードバックループに達するアトラクティブ行動(1670)である間に、ネガティブフィードバックは回避される(1665)。その環境が変化しながら、これらの変化についてのニューデータは、これらの環境変化をアクセスする為に順序良くMRAデータベースに対して供給される。ポジティブフィードバックと共に供給される時、MRAはその環境について(1690)その考えを絶えず最新のものとする。

MRAトレーニング過程は図17で説明されるように団体センサーデータと共に環境相互作用の結合を含む。MRAは習得(1710)を開始し、他のMRAチームメンバー(1720)または、環境(1730)からのセンサーデータのどちらかでアクセスする。環境方角をアクセスすることによって、MRAは原センサーデータ(1740)を収集する。他のMRAからか、環境から直接的に入手されるかいずれにしても、そのMRAは分析し、センサーデータ(1750)を解釈し、そのデータ(1760)に基づいて行動する為に判断を開始する。このように、トレーニング過程はデータ(その環境から直接的にか、他のMRAからかのいずれにせよ)を起す方法次第で入手されたデータに基づいて実施されることが可能である。図17が入手するデータの二つの主要方法を示すのに対して、図18はMRA習得補強を提供する情報の二つの主要特質、すなわち、迅速性と多量のデータを示す。

図18の中では、入力の迅速性が測定されている間または、(1820)多量の入力が異なるソース(1830)から測定されている間に、センサーデータはMRA(1810)に入力される。いずれの場合でも、各々、高い迅速性入力重要視(1850)と多量入力重要視(1860)と共に加重値を提供される間に、その入力はデータベース(1840)と比較される。MRAは異なるソース(1865)からの加重値を評価し、入力評価(1870)に基づいて環境と相互作用する。例えば、もし多数のMRAは、使命目的が達成されるという大規模な多量の入力を提供するなら、それは、これらの入力が特定の行動(1880)の補強を提供する為に高く重視される。これに反して、もし、非常に高い重要視は、データの迅速性の為にここのMRAデータセットに対して割当てられるなら、それは、この行動が補強される。

前述の習得接近法のコンビネーションは、図19の流れ図の中で説明される時間の制約でハイブリッド習得モデルを表す。他のMRA(1910)からのデータと直接環境入力(1920)はMRAが活動(1940)する前に分析される(1930)。MRAは、それから、環境(1960)と相互作用する為とポジティブフィードバック(1950)を受け取る為に進行する。この環境フィードバックは最小時間(1980)で行動補強を表し、MRAは活動(1985)の計画を設定し、それは、特定の行動(1990)を活動することによって、実施される。一方では、MRAは将来のセンサーデータによって情報を提供する為にMRAの為の部分的フィードバックループを供給する他のMRA(1970)を最新のものにする。

図20では、社会的習得はMRA相互作用として記述される。MRA1(2010)とMRA2(2015)とMRA３(2020)は、初期段階で環境内のオブジェクト(2030)と相互作用する。第二段階では、MRAは、オブジェクト-相互作用についての情報を分担することによって、お互いに相互作用する。そのオブジェクトについてのこの記述的現象学は、MRAとそのオブジェクト間でのそれ以上の相互作用によって、第３段階で使用される。

図21は他のMRAを教えるというMRAを説明する。制限されるトレーニングとの“スチューデント”、MRA2(2120)は経験あるMRA1(2110)から援助を要求する。MRA1が運転中、ニューポジション(2130)に移動する間に、その“アダルト”MRA1は、ソフトウエアエージェントを通じて習得モジュールと共にそのスチューデントに供給する。

本MRSネットワークの分散環境と示された習得スキーマが与えられれば、それは非対称的MRAリーダーをもつことが可能である。すなわち、もし、これが集中システムでないなら、それは、まだ、使命リーダーを持つ為に可能であるが、必ずしも集中または、首尾一貫さえしない。ガチョウの群れの中のように、その群れのどのメンバーは一時的だとしてもリーダーになることが可能である。その結果として、非対称的MRAリーダーシップは、環境と相互作用する為に共に群がるというMRAの一時的ハブの発生を供給する。

図22はこの過程を説明する。第一段階では、MRA(2210)の集団のリーダーは移動するオブジェクト(2220)と相互作用する。しかし、そのリーダーは、ニューリーダーが移動するオブジェクトを探索するニューリーダーとして団体(2230)の為に出現しながら、第二段階で活動(2240)から叩き出され、それは、また、活動からも取り外さられる。最後に、第３段階で、さらに、他のニューリーダーは、そのモバイルオブジェクト(2470)がその団体を避ける為に継続しながら、その団体の為(2260)に出現する。其々の新たな段階で、ニューハブは、MRA集団のニューリーダーと共に構成される。其々の場合、その目標は捕まえにくいモバイルオブジェクトを探索することである。

分業は図23で示されるようにますます効率的な実行の為に特殊化チームの中で生じることができる。其々のMRAは、全団体がモバイルオブジェクト(2320)と相互作用しながら、専門化としてその任務を知らせる為に手紙で指名される。第二段階でそのMRAは、データの分担と資源を最大限に利用する為と、様々な専門家とオブジェクト(2340)間で相互作用を組織する為に、新しい位置で再組織する。図24は更に自動単独特殊化の為の職務業によって自己組織過程を説明する。第一段階では、MRA(2410)の団体はそのオブジェクト(2420)と相互作用する。MRAは第二段階で示されたようにますます捕まえにくいオブジェクト(2440)を攻撃する為に特定の特殊化モードを自動的に活動させる。しかしながら、第３段階で、MRAはそのオブジェクト(2460)を捕まえる為に新しい特殊化モード(2450)に対して自動的に再組織する。

(社会的)習得と環境相互作用過程の一つの重要な用途は、不確かな環境の自己組織図を作図することである。この図は更に、それ以上の集団活動の為の基準として使用されることができる。図25はMRAの団体の為の自己組織図の過程を示すという流れ図である。初期パラメータが開発(2510)される後、MRAは使命(2520)を満たす為に新たな場所に移動する。それは、環境(2530)からセンサーフィードバックを受信する所である。MRAは初期センサーデータ組織(2540)に基づいて初期図を作成し、より改良された作図段階で含む為により多くの地形を覆いながらより多くのセンサーデータ(2550)を入手する。このように、MRAは形式上足りない部分(2560)を含む為に地形のフラー状況を作成できるように初期図を完全にする。MRAは図の下書きに対しての最も最近の情報を加えるというキャッシング技術を使用することによる手順でこの充填を果たすことができる。センサーからのより完全なデータは、MRAがより多くもたらす為、また、継続される機動性とデータ収集からデータを改善する為に継続しながら、その図(2570)を改良する為に継続する。環境でのオブジェクトが位置を変更しながら、これらの変化を表すというMRAセンサーデータ入力は、その図(2580)を最新のものとする為に継続する。

人工知能と人工ニューラルネットワークを使用することは、習得過程を最大限に利用する。図26から29は遺伝的アルゴリズムの主要AI手段と遺伝的プログラミングを示す。これらの技術は、さらに、図30から43での人工ニューラルネットワークに適応される。これらの議論は重要である、なぜなら、AIとANNもまた、IMSAと交渉過程とシミュレーションに適応されるからである。それは、後の図で扱われる。

複雑な最適化問題を解決するだろうというソフトウエアのホーランド氏の探求の中で、彼は自然から解決策を探求した。繁殖、突然変異、適者の生存者の生物学上過程を真似ることによって、彼は、問題を解決する為に自動的に改善するであろうという新しい種類のソフトウエア論理学を開発する為に探求した。ソフトウエアデザインでの彼の発展は生物学の本質と同じように発展的過程を経験するという遺伝子のバイナリ表示である遺伝的アルゴリズムとして出現した。図26は遺伝的アルゴリズムの流れ図を記述する。集団が作り出される後(2610)(また、その集団(2620)に突然変異が加えられる)、集団の其々のメンバーは健康(2630)の為に評価される。一番強いメンバーが、繁殖のようにさらに実行(2670)される重複部分の為に選択されながら、その弱いメンバーは取り除かれ(2640)、移動(2650)させられる。フィードバックループは集団の複数世代または、小集団の範囲を作り出す為に起される。上首尾な及第者はその弱いメンバー(2680)を置き換える為に集団の中に置かれる。このように可能なアルゴリズムはの集団は最適な解決策に対して伴う。図27は2730を達成する為に2720と共に繁殖させる2710のバイナリ遺伝的アルゴリズム重複部分を示す。この例では二つの０または、二つの１は０を生産する特定の位置で結合されながら、“０”と“１”のコンビネーションは１を生じる。

ホーランド氏の研究生、コザ氏はバイナリアルゴリズムに基づかず、系図の進化に基づいて遺伝的プログラミングを開発した。図28は右側の系図と共に左側の系図の第一段階からの重複部分の遺伝的プログラミングモデルを示す。この例では、たとえ、二つの団体が例の中で右から左に“変更”されても、上部左(箱の中で)(2830)の三角形の団体は、上部右(箱の中(2970)での三角形の団体を含む)の系図と共に結合(2880)される。この系図構造モデリング接近法は、進化的過程の実際の遺伝的表示によりもっと密接して似ている。

アルゴリズムの複数世代を生産する過程は、莫大な量の時間を費やすかもしれない、なぜなら、問題発生に対する解決策の前に多くの何千もの世代になることが可能であるからである。この過程を省略する為に、その過程の評価部分は並行方法で実行されることが可能である。健康評価機能を分類することによってその過程を促進させる。図29は二つ一組の最善なセットの健康を評価するする為に多数の小規模な小集団(2930と2940)に分かれる二つの主要三角形構造(2910と2920)の並行小集団健康評価を説明する為に系図構造モデルを使用する。最後の二つ一組は更に選択される(2950)。健康評価手順の単独系列を通じるよりむしろ、並行接近法は更に多くの時間依存である。この時間感度は即時処理が重要である適応システムにより貢献する。

遺伝的アルゴリズムと遺伝的プログラミングと進化的コンピューテーションテクニックは、(1)ニューロ間の合図の初期ウエイトと接続ウエイトを計算する、(2)接続ウエイトを訓練し最大限に利用する、(3)その構成とANNトポロジーを発生する、(4)パターンと構造とANNの段階状態を分析する為に人工ニューラルネットワークに適応される。GA、GP、ECはまた、(1)分散問題解決、(2)団体習得、(3)団体セルオートマトンシミュレーション、(4)分散システム内でのコンピューテーション資源の経路、(5)動力分散システムでのスケジューリング、(6)自己組織図作成、(7)最適化問題を解決する、(8)ゲーム理論的シミュレーションを実行する、(9)並行データ地雷を実行する、(10)複合集合選択の間から有能者を選択することを含む複合コンピューテーション問題の範囲にも適用される。

図30から43は人工ニューラルネットワークを取り扱う。ANNと進化的ANNはその本システム、特に、(1)分散ネットワークを組織し最大限に利用する、(2)動力データ地雷を実行する、(3)無決定論的習得を組織する、(4)シミュレーションを命令し適応する、(5)動力ゲーム理論的相互作用を設計し最大限に利用する、(6)適応自己組織を構造する、(7)一般的問題解決に対して多数の用途を所有する。ニューラルネットワークの分野は実践的システムの為に有益であるという用途を含む為に純粋に、論理学者と数学者と神経-生物学者の理論的試みから最後の世代の中で発展している。本システムは習得、シミュレーション、適応過程に対する複合ニューラルネットワークの用途の実例である。ニューラルネットワークは、問題に対する特定の解決策の計算の有益な道具を供給するというMRAハードウエアのプログラムコードの範囲内でのコンピューテーショナル表示である。

ANNは相互接続ノードを含む並行コンピューテーショナルシステムである。時々、ノード間で接続を強調するので、接合説と呼ばれるANNはノード間での接続ウエイトの中でインプットとアウトプットを所有する。ANNノードは脳の中で生物学的神経の後に設計されるという人工神経を表す。パーセプロンは神経のインプットとアウトプットの合計を表すという構造である。

図30はインプットが左側で入り、アウトプットは図の右側で登録される二層ニューラルネットワークを示す。ノードの左側に戻るその結合を指揮するフィードバック結合は加えられることができる。図31では、多層ANNは3120と第一層を表す3140と、3110、3125、第二の隠された層を表す3150とアウトプット層を表す3130と共に表される。この例のように、ANN構造は多層パーセプトロンである(MLP)。結合ウエイトは、上部部分より高い数を持つ下部部分でこの図の数値時間帯の中で説明される。ここで説明されたMLP、ホップフィールドネットワーク、ヒブビアンネットワーク、ボルツマンネットワーク、ベイジアンネットワーク、進化的ANN(ニューロ進化)、回帰ネットを含む分散モバイルマルチロボットシステムの様々な機能の為に有益になることが可能であるというニューラルネットワークの多数の種類がある。これらのANNの種類は、フィードフォワードリコールを持つかフィードバックリコールをもつか、決定的になるか無決定的になるか、また最後に、指導習得を所有するか無指導習得を所有するかとして分類されることができる。

図32は遺伝的プログラミングは初期の接続ウエイトを計算する為に使用される。GPは無作為に集団を発生し、そのメンバーの健康を評価し、最初の世代の重複部分を実行することによって、また、無作為な変化を加えることによって新しい集団を発生し、最後に、結合の初期ウエイトを確認する問題を見たす為の基準と共に一番健康なメンバーと比較することによってこの最も最近の集団の特定なメンバーの健康を確認する為に探索する。図33はどのように遺伝的プログラミングが無決定的ANNに適用されるかを示す。

第一段階では、多層ANNはネットワークの下部(3315と3325間、3325と3330間、3325と3320間で結合)よりネットワークの上部(3315と3310間、3310と3320間、3325と3320間で結合)で高い関連ある数を登録するというインプットを所有する。第二段階で示されるそのネットワークが成長するにつれ、3355、3360、3365での低い位置のノード(3450)が不活発になりながら、意味ありげに高い活動がある上部で成長を強調し、3340と3350でノードを加える。図34は変化する過程を通して、新しいノード(3450)の自動化発生と新しい結合(3420と3450間で)を示す。ノード(と結合)追加を通して突然変異と成長のこの過程は、ニューロ進化と呼ばれるANN変化の進化モデルを供給する。GPはノードの追加、結合の追加、結合ウエイトの両方を計算する。その上、GPは並行コンピューテーションテクニックを使用する分散ネットワークの中で、ノード/結合追加、結合ウエイト変化、特に発展するANNの構成を一斉に計算することができる。図35は第一段階から第二段階に進化的ANN非決定性フィードフォワード進行を説明する。第二段階で、より少ない活発なノード(3550と3570)とそれらの結合が不活発にされながら、新しいノード(3560と3580)とそれらの結合は加えられる。このように、ANNはより生産的ノードに向かってそのネットワークを絶えず配線し直す。

図36は遺伝的アルゴリズムによって計算される結合ウエイトの3-2-1多層ネットワークを示す。そのアルゴリズムは結合ウエイトを計算する為にバイナリユニットとして表示される。ネットワークは遺伝的アルゴリズムの連続する世代が実行するという最適化過程を通して結合ウエイトを微調整することによって訓練される。

ファジー論理学は“多分”、“おそらく”、他の部分的な優しい記述のような言い方を含むというコンピューティングに対する新しい接近法を提供する為の方法である。またソフトコンピューティングとも呼ばれるFLは、相互排除的論理学と共に従来のハードコンピューティングからそれることを表す。FLは複雑な実在問題に対する解決策を評価できるように統計上の方法を使用する。FLは複雑な適応ネットワークを作り出す為にANNに適用される。図37はFLモジュールを記述する。センサーはファジフィアーモジュール(3720)にはっきりしたデータ入力(3710)を供給し、それは無作為な変化(3770)を与えられ、ファジフィケイション過程と共に進行する。この時点で、ファジー分析はそれら自身で改作(3790)されるファジー規定(3780)に従って実行するというファジー推論エンジン(3730)の中で進行する。ファジー分析過程の後、データのディファジフィケイションははっきりしたデータがアウトプット(3750)され、機能性能の為の作動装置(3760)に示されるディファジフィアーモジュール(3740)内で起こる。この過程は、アナログからデジタル(A-D)情報変換装置の方法によって、アナログ波形からデジタルモードへ、または、反対に、デジタルからアナログ情報変換装置(DAC)の方法によってデジタルからアナログ信号への転換で経験するプロセス信号に似ている。

図38は二つのインプット可変と三規定と共にニューロファジー制御装置を示す。インプット可変A1(3810)とA2(3820)は規定基礎R1(3830)、R2(3840)、R3(3850)に結合を供給し、更にX(3860)でアウトプットを供給する。図39はインプット層(3910)、ファジフィケイション層(3920)、規定ノード層(3930)、決定層(3940)、アウトプット層(3950)と共に五層展開ファジーニューラルネットワークを示す。更に複合ANN構成は図40で記述される。この図では、適応ネットワーク基礎ファジー推論システムは初期表示層に対して表されるインプットを示され、それはRとSノードと共に並行構成の中のここで示される。トレーニング過程は隠された層を含むという多層ネットワーク(4040)で起こる。このトレーニング過程のアウトプットは、更にアウトプットに導かれるという系列パラメータ(4050)に与えられる。

多層ニューラルファジー推論ネットワークは図41で説明される。第一層(4110)は子孫を産出し(4115)、それはレベル４(4125)で健康の為に評価されるというレベル３(4120)でニューラルノードを生産する。そのノードはレベル５で不活発ノード(4130)と共に新しい世代を繁殖する。生き残っているノード(4135)はもう一度、第七層で二人の活発なメンバー(4140)になるというノードの新しい集合を繁殖する。これらのノードの上首尾な 交配はレベル８でアウトプットノードを生ずる。上首尾な集合の連続的世代を繁殖することによって、また、これらの上首尾な集合を訓練することによってそのネットワークは自己組織であり、その環境に適応される。

図42は動力展開ファジーニューラルネットワークを示す。インプット層(4250)、ファジー数量化層(4255)、展開規定ノード層(4260)、加重最小二乗推定量層(4265)、アウトプット層(4270)を含む五層と共に、このモデルは簡潔なANN概念作用の複合総合を示す。

ANNに対する適用進化的コンピューテーションの有利性の一つは、大多数のコンピュータプロセッサが一斉に問題を解決することが可能であるように、そのような高度なコンピューティングが、小規模な部分にその問題を分ける為に並行接近法を使用することによってより効率的に実行されることができるということである。このように、複数MRAは、即時処理で任務を成し遂げることができるように一緒に問題に働きかけることが可能である。この接近法の一つの用途は、遺伝的アルゴリズム集合生産過程の健康評価部分の中である。集合内の確認する上首尾な及第者の問題は、並行処理を使用することによって実行され促進されることができる。

コンピューテーション問題解決をはかどらす為に使用する並行処理の他の例は、追加するニューラルノードの問題を考慮する。並行コンピューテーション過程を使用することによって、ニューラルノードが追加されるだけでなく、結合も一斉に追加されることができる。その上、ネットワークの構成は、新しい訓練モデルが考慮されテストされながら、即時処理で形成または、再形成されることができる。進化的コンピューテーションに対する並行アルゴリズムの用途とANNに対するEC(GAとGPの両方)の用途は、分散モバイルMRSの中での使用の為に効率的な接近法をますます供給する。MRAは図43で説明されているように柔軟な方法でANNコンピューテーションを分担する。ANNは単独MRAのコンピューテーションに対して限られないだけでなく、MRA(4310と4320)はそれらの間でANNコンピューテーション資源を分担することが可能である。並行コンピューテーションのこの分散表示は、資源の分担がますます効率的収容能力の中で生じる柔軟で拡大可能なモデルを示す。

分散モバイルMRSに対するECとANNの用途は、習得、訓練、改作、予想を含む幾つかの重要な分野を伴う。不確かな変化環境と相互作用するMRAの為に順序正しく、それは習得、予想、適応しなければならない。ECがANNを訓練する為に有益である間、それは、ANNが、システムによって必要とされる効果的即時処理適応に対して重要であるというMRAとMRSに最後に供給するというこの訓練過程の結果として注視される一般的習得能力である。モバイルMRSが直面するという多くの問題は、進化的解決策、適応行動パターン、複合予言的シナリオモデリング、自己管理過程を伴う。これらの問題はECとANNモデルを適用することによって解決できる。

MRSに対するECとANNの用途の例はゲーム理論的相互作用のモデリングである。特有な策略は、多層フィードフォワードパーセプトロンによって組織された基礎的規定パターン選択に基づいて特有のプレイヤーの為に展開されることが可能である。其々の層はインプット、結合、バイアスのウエイトの計算を果たす。ノードの無作為な数は、其々の親から繰り返され、無作為に変化される子孫の無作為な数と共に多層ネットワーク内で選択される。ゲームの動きの多数の規定は確認され常に適用される。其々のネットワーク世代は上首尾なゲームの動きを達成する正確な効果の為に評価される。そのネットワークは訓練され、全情報と共に再訓練される。このように、習得過程は、其々のプレイヤーがその規定に従って最適に動くことができるように洗練される。

ゲーム理論学モデリング問題に対するECとANNのこの率直な用途は、分散モバイルMRSの為に関係がある、なぜなら、本システムは活動を設計する為にシミュレーションを使用するからである。下記の図68から73で論じられているそのシミュレーションは、現時間に基づいているか将来のシナリオに基づいていることが可能である。MRSの場合、複数MRAがシステムの中にセンサーデータインプットを供給し、複数MRAがコンピューテーション資源を供給するので、ゲーム理論的相互作用はネットワークの規模と共に増加する。モバイルグリッドコンピューティングシステムの並行コンピューテーションと一緒にECとANNだけが、そのようなモデルを組織する為に必要な複雑問題解決アルゴリズムをますます計算することができる。そのような複合構成を組織することができるという主要システムユニットは、マルチエージェントシステム(MRS)の範囲内で実行するインテリジェントモバイルソフトウエアエージェント(IMSA)である。図13で紹介されるIMSAは、図44から49で論じられる。

MRSの範囲内でのIMSA動力学は、MRA相互作用という関連で図44で論じられる。MRA1(4410)は開始される二つのMRA間のMRA2(4420)とコラボレーションによって受信されるコラボレーションエージェントを送り出す。サーチエージェントはMRA3(4430)とMRA4(4440)中でMRA1からサーチデータベースに送り出される。MRA3とMRA4間の交渉はインテリジェント交渉エージェント(INA)を使用することによって生じる。INAは下記の図48と50から58で更に論じられる。最後に、分析エージェントは、特定の問題を分析する為にMRA4からMRA2に、また、MRA3によって送り出される。図45は、MRA間でのIMSA関連を示す。MRAはIMSA専門家エージェント役割を使用することによって一斉に複雑な任務についてお互いに通信することができる。分析エージェント、サーチエージェント、コラボレーションエージェント、交渉エージェントを含む多数のIMSAの特定な種類がある。図46から48までは、分析的、サーチ、交渉エージェントを簡潔に記述する。

図46では、分析エージェントが記述される。MRAが問題を確認する後(4610)、それは分析エージェント(4620)を生じる。しかしながら、AAを開始する過程は、多数のサーチエージェントと共に始まり、それは、初期クエリー(4630)と共に複数MRAのデータベースに送られる。そのサーチエージェントはMRAデータベース(4640)の中のデータの優先度で、開始するMRAに折り返し報告する。AAは更にそのサーチによって明らかにされる優先順位の系列(4650)でMRAに送られる。AAは、MVA、回帰分析、パターン解析、トレンド分析、ハイブリッド分析を含む4670で詳細される特定の方法(4660)を使用する問題を分析する。AAはその問題(4680)に対する解決策オプションを開発し、関連したMRA(4690)と共に結果を割当てる。

サーチエージェントは図47で記述される。MRAは分散MRAデータベース(4720)に質問する為にサーチエージェント(4710)を生じる。サーチエージェントは初期クエリー(4730)に関してのデータベースからの初期フィードバックを受信し、特定のデータベース(4740)と共にクエリーを改善し、サーチパラメータ(4750)を展開し、データベース(4760)の間で特定のデータセットを探索する。サーチエージェントは改善されたサーチ(4770)の結果としてデータセットを探しMRAの為にそれらを回収する。

一般的交渉過程は図48の分散ネットワークの中でインテリジェント交渉エージェントへの言及と共に記述される。イニシエーターINAメタエージェント(4810)は幾つかの他のMRAにイニシエーターINAマイクロ-エージェントを送り出すことによってその過程を始める。INAマイクロ-エージェント1はINA2のロケーション(4820)で交渉セッションに送り出され、INAマイクロ-エージェント2はINA3のロケーション(4825)で交渉セッションに送り出され、INAマイクロ-エージェント3はINA4のロケーション(4830)で交渉セッションに送り出される。其々の個別の交渉セッションはそのMRAの範囲内(2と3と4其々で)で其々のINAロケーションで起こる。イニシエーターINAは及第者がその本拠地(4855)で判定されながら、様々な遠隔地のMRAロケーション(または、その本拠地で)でINAと相互作用する。セッションがINA2とINA4交渉(4865)間で閉会し、全体的な交渉過程が終了(4870)される間に、INA3とイニシエーターINA(4860)間でのこの場合、双方の合意が達せられる。

図49はメッセンジャーサブエージェントと共にIMSA内部通信を記述する。一度MRAが決定を下すと(4910)、決定の内容は、活動(4920)の特定の指示に解釈され、MRAは、メッセンジャーサブエージェント(4930)を作り出す。MRAは他のMRA(4940)にそのメッセンジャーサブエージェントを送り出し、それは更に、MRA(4950)に指示と一緒にメッセージを送る。

INAは分散モバイルマルチロボットシステム内で重要な方法で使用されるので、それらは、INA構成の要旨、事前交渉過程、INA記号論理学、分散ネットワークの交渉過程、多国間協議過程、多変量交渉要因、勝負判定過程、論証過程、対立するINA戦略を含む図50から58で更に開発される。

INAは少なくとも二つのMRA間で交渉することによって働く。INAは可変重量に関して議論を表すことによって交渉できるように論証方法を使用する。INAはまた、特定の状況で使用する為に最善のシミュレーションについて交渉もする。一般的に、INAは非協力MRA間で合意に達する為に多国間協議と多変量交渉を使用する。妥協によって交渉するという競合するMRAの場合、問題は団体問題解決と分析的技術を使用することで解決される。複合MRA団体問題に対する解決策は、解決策オプション間で最適な、または、一時的選択を含む。団体問題解決は図59から67で論じられる。全ての場合、AIは交渉と問題解決過程を促進する為に使用される。

図50では、主要INA構成が記述される。イニシエーターINA(5020)とINA2(5010)、INA3(5015)とINA4(5025)を含む四つのINAは事前交渉セッション(5030)セッションに入り、それは、下記の図51でもっと十分に論じられる。事前交渉後、全てのINAは、イニシエーターINAと幾つかのINA(5040)の間で最初のセッションにて交渉するが、INA4(5045)と共に交渉することを止める。イニシエーターINAが第二セッション(5050)INA2とINA3と共に交渉することを継続しながら、それはINA2(5070)と共に交渉過程を最後には止める。しかしながら、イニシエーターINAは、合意(5080)に達しセッション(5090)を終了するセッション３でINA3と共に交渉する為に継続する。

図51に関して、事前交渉過程は記述される。イニシエーターINAが交渉条件(5110)を要求する後、INAマイクロ-エージェントは送り出され(5120)、イニシエーターINAは他のINA(5130)と共に通信する為に他のロケーションまで移動する。S1(5140)、S2(5145)とSn(5150)として表される幾つかのINAは、ロケーション、議定書、規定、方法(5160)を含む相互作用セッションのパラメータを通じてイニシエーターINAと共に事前交渉過程に入る。もしそれらが交渉パラメータに合意しないなら、それらは、これらの課題に合意するまで相互作用する為に継続する。INAは制約(5170)に基づいて交渉の規定、交渉セッションの数などに合意し、イニシエーターINAはこれらの事前交渉議定書、規定、方法(5180)に基づいて他のINAと共に交渉セッションまで進行する。

図52に関して、INA記号論理学は記述される。セッション(5210)を開始後、エージェントは発生され、コード(5215)によって確認される。初期エージェント相互作用議定書は共通の通信方法論を定めることでエージェントの為に順序正しく生じられる(5220)。そのような通信過程は通訳(5225)と同時発生(5230)を伴う。通信を同時にしそこなうことは、5245で終了に通じる。一度完全に同時にされると、INAは分析エージェント(5235)を利用するAI(5240)を使用する特有な交渉戦略を組み立てることが可能である。この時点で、エージェントは他のエージェントと交渉する為に緊迫感(5250)を信号で送る。他のエージェントに信号送信後、INAはそれらの本拠地に通信の流れ(5255)を送り出す。それによって、常に、それらのロケーション、状態、計画を本拠地に明らかにすることができる。この時点で、イニシエーターINAは選ばれたINA(5260)と共に事前交渉セッションに入り、異なるロケーション(5265)でINAと交渉する為にマイクロ-エージェントを送り出す。INAは更に交渉過程(5270)に入り、そして、交渉(5275)を止めるか合意に達するかのどちらかである。もしそれらが交渉を止めるなら、INAセッティングは、後(5285)の為に保存され、セッションは終了される。一方では、もし合意があるなら、MRA機能は合意承諾(5290)と共に首尾一貫して活動される。

図53Aと53BはINA間の機動性と共に分散システムの中で交渉過程を説明する。本実例はイニシエーターINAとINA2の間で一対一交渉に焦点を置く。イニシエーターINAがINA2(5310)と交渉セッションを開始する後、INAは可能なロケーション(5315)を確認し、合意されたロケーション(5320)で交渉する為に指定する。説明された実例で、イニシエーターINAはプログラムコードでINA2のロケーション(5323)まで移動する。INA2はINA2のロケーションで活性化と安全議定書認可(5326)後、後継イニシエーターINA入場を確認する。

エージェントは従事(5330)し、交渉任務を完了(5333)するのちに、イニシエーターINAがメッセージ(5336)を送る事によって、その自国のMRAの遠隔地活動を通告する。遠隔INA2ロケーション(5340)でそれ以上の任務を再調査後、イニシエーターINAは終結するか(または基地に帰還)(5343)または、任務遂行の為に内部データベースと分析(5347)、評価(5350)と次のロケーションの確認(5353)を使用する追加任務を評価するかのどちらかで、そして、他のロケーション(5356)まで移動する。

そのプログラムコード(5360)の移動後、イニシエーターINAはAIコンピューテーション(5363)の為の必要性を確認し、指定されたロケーション(5367)でAIコンピューテーション資源を要求し、有効なAIコンピューテーション資源(5370)を確認し、特定のロケーション(5373)に送られる為にAIコンピューテーション資源によって要求を伝える。イニシエーターINAは特定の交渉場所(5380)でAIコンピューテーション資源を受信(5377)しテストする。交渉は遠隔地(5385)で完了され、イニシエーターINAは基地(5390)に帰還する。

この図で示されるように、一対一相互に作用する交渉がイニシエーターINAと他のINAの間で示されたとしても、イニシエーターINA(またはそのマイクロ-エージェント)は他の実施形態で二箇所または、それ以上のINAロケーションで少なくとも二つのINAと共に一斉に交渉することが可能である。

図54は複数可変と共に同時多国間協議を示す。その過程の其々の段階で、左欄で示されたINA1は、ここでリストされた２から７までのように六つのINAと共に交渉の位置にある。第一段階で、第一セッションのINA2との交渉後、INA1は第二セッションでINA3と交渉する。第３セッションで、INA1は其々の交渉の第二段階内でINA2とINA3と共に一斉に交渉する。しかしながら、第四セッションでは、それが第３段階でINA2と交渉する為に継続する間、INA1はINA4と交渉する為に始まる。同様に、第五セッションで、それが第一段階でINA5と交渉する為に始まる間、INA1は第二段階でINA4と交渉する為に継続する。それが第七セッションでINA6などと交渉を開始しながら、第六セッションは、第二段階でINA5とこの継続の接近法を継続する。

図55は多変量交渉要因を示し、第一段階でMRA1は、特定の可動性でMRA2と交渉し、連続的可能性のある可動性を拒否することは、最後に合意するまで、このように“Z”を選択する。第二段階で、MRA2は同様な方法でMRA3と共に特定の可動性で交渉し、かつ、合意の中でまた、“Z”の選択の結果を生じる。多数の要因をわたって交渉するこの過程は交渉に対して“意見の合致”の重要な要素を示す。この過程を何回も繰り返すことによって多数のINAは、複合動力システムの中での多数から成る要因についてお互いに合意することが可能である。

図56は競争INA体制でのトーナメント方式勝負判定過程を示す。幾つかのINA(2から5)は第一段階でイニシエーターINA(5650)と共に交渉を始める。そのイニシエーターINAは第二段階でINA2(5660)とINA4(5670)に対するその分野の範囲を絞り込む為に合意する。これらの最終選考者間で、イニシエーターINAは、更に第３段階で及第者、INA4(5690)を選択する。

論証過程は、図57で示される。MRA AとMRA B間での交渉過程の連続的な時間的段階の間、幾つかの重要な要因は隔てられ、其々のMRAによって受け入れられる。第一に、交渉可動性はMRA Bによって受け入れられる。第二に、MRA Aは妥協をしないという可動性を取り除く。次に、MRA Bは交渉の余地のない可動性を取り除く。最後に、両方のMRAは妥協するという重要な可動性を判定する。

交渉は限られた所有物にわたって対抗意識のあるエージェントを組織するという全体のゲーム理論的モデルに適合するという過程である。このように、交渉は、相反するエージェント戦略を予期するというエージェント戦略を伴う。図58は相反するINA戦略の予期を示す。INAがINA2(5810)に反論を提示する後、INA2は多変量解析と回帰分析(5820)を使用する反論(5830)を評価する。INA2は反論(5840)の弾道を検討することによってINA1の戦略を予期し、それはその環境(5850)の中で行動を予期する為に合図を確認することによって果たす。INA2は、更に、INA1(5860)に反論を提示する。INA1はその可能な反論シナリオ(5870)を予期することによってINA2の戦略を予期し、INAは最後に合意(5880)に達する。

図59から67までは団体問題解決を記述する。

図59の中では、MRAによって確認され、その集団はその問題の焦点を絞る為に合意する。その団体の中でどのMRAでも “他のMRAとどのように使命を果たすのか？”(5920)、“共通使命による他のMRAとどのように結集するのか？”(5930)、“MRAの団体と共にオブジェクトをどのように狙うのか？”(5940)、または、問題に基づいた他の使命もしくは目標(5950)のような問題(5910)を順序正しく、確認することができる。MRAの団体は、可能な解決策が順番にランキング順序(5970)で作成されることができるように、其々の問題に対して価値基準を割当てることによって、また、即時処理(5960)の順位でそれらを順序づけることによって、問題の優先順位を決める。

MRA間の解決策オプションは図60に記述される。分割四次元グリッドは、可能性ある分野(6010)のその体制を示す為にMRAによって作成される。MRA団体からのシミュレーションシナリオは、分析がMRA(6030)によって特定の解決策オプションで果たされる後、特定のオプション(6040)の為の最善適合解決策を探知する為にテストされる。競争相手は、更に、利用できる(6050)最善な解決策の為の様々な可能性ある解決策間で設定され、重要性は、ランク付けられる(6070)為にシミュレーションシナリオ解決策オプションを可能にさせる其々の解決策オプション(6060)オプションに対して付属される。

図61はMRAによって開発され適応される解決策オプション選択方法を記述する。MRAは、シミュレーションシナリオ(6110)を選択し、更に可能な解決策(6120)をテストできるように実験過程を適用する為に基準方法を開発する。最短進路オプションは環境相互作用(6125)なしで不履行として選択される。しかし、MRAは環境(6160)と相互作用し、過程は実際の環境変化(6150)によって報告される。MRAは環境相互作用(6170)の結果を受信し、その結果(6180)を評価する。其々のMRAは明白な優越がありそれゆえに独特の分析(6190)を適用する。MRAは成功の確率の為にそれらを重視することによって、また、高い確率(6130)の順にそれらを順位付けることによってその結果の優先順位を決める。解決策選択の方法は改善(6135)され、解決策選択の方法を改善することができるように継続する為に連続環境相互作用と結合される時、フィードバックループは、連続される実験を適用する為に構造される。及第者は可能な解決策オプション(6140)から選択され、その最適化解決策は可能なシナリオ(6145)の為に選択される。

問題に対する最適化解決は可能ではないということはままある。この時、成し遂げる為にわたしたちが望む最善なことは、特定の状況で最善な利用できる解決策である。図62は最も最近の関連ある情報の為に待機しながら、問題に対する最適な解決策ではなく、最善な利用できる解決策を選択するこの過程を記述する。MRAは解決策オプション(6210)のリストを作成する為に一緒に働き、それは、時間、最適条件、組合せ最適条件、正確、情報の特質による、また、蓋然的(6230)でないものを取り除くことによる制約(6220)に従って知れ渡る。MRAは更に、環境(6250)と相互作用することによって改善される解決策オプション方法(6240)を適用する。MRAは、(1)それらが特定のシミュレーションシナリオ解決策オプション(6275)を選択するか、また使命(6285)を果たすかの場合に意見の合致の合意を受ける、(2)制約(6260)の範囲内で関心の重複に部分的に合意し、(3)それらが最善な利用できるシミュレーションシナリオ解決策オプション(6280)をただ選択するか、またこれらの制約(6290)の範囲内で使命を果たすかの場合に(制約の範囲内で)一時的に合意するといういずれかのうちである。一方では、MRAは浸透する解決策オプション(6220で)の過程の早期段階に戻らなければならない結果に全く(6270)合意しないかもしれない。図63はMRA団体合意の説明を示す。

図63の(A)の部分で３箇所のMRAは、大きな丸の中にある小さい丸として表されているという反論を提示する。３箇所のMRAの重複部分を示すというグレイのエリアは、その３箇所間での共通の関心を意味する。二番目の図の(B)では、最善な利用できる最適化シナリオが時間の制約と共にグレイのエリアで示される。この最適な時間帯の構成は、時間に制約されているので、変化する環境の状況と共に変わる。

明らかに、決定過程の時間の見方は重要である、なぜなら、完全な情報はめったに有効ではないからであり、また、不確かで動力環境内で相互作用するというマルチ-ロボットシステム内でのエージェントは活動することを決定する前に最近の利用できる情報を待機することから利益を受けるからである。図64は時間的構成要素を意味する左欄とマルチ-ロボットシステムの物理的状態を意味する二番目の欄とマルチ-エージェントシステムの分析的状態を意味する右欄と共に決定過程の時間的の見方を示す。最上段では、過去のデータの流れが将来のシナリオに影響しながら、過去の物理的経験が過去のデータの流れに影響を及ぼす。将来のシナリオは現在の分析と意志決定に影響し、それは活動の好まれるシナリオの選択に影響を及ぼす。好まれるシナリオのこの部分は活動の現在の経過に影響を及ぼす。このように、システムの分析的と物理的状態は時間を通して因果関係の結合がある。これらの相互関連はMASとMRS間での統合を現す。

団体問題解決過程は上首尾な候補者を選択する為に多変量解析、回帰分析、トレンド分析、パターン解析を含む特定の分析的方法を要求する。図65と66と67はこれらの分析的道具を記述する。

図65では、多変量解析は問題解決に適用する。問題はMVAフィルター(6510)に転送され、それは、問題からの可動性を取り去り、それだけを切り離して考えると(6520)其々の可動性を分析する。MVAフィルタリング過程は、其々のMRAが可動性を分析し他のMRA分析(6540)とこの分析を比較する並行処理を使用する複数MRA(6530)に対して可動性分析進行を転送する。MRAは複数可動性を順位付け、MRA(6550)間でのその結果を割当てる。その可動性は其々の解決策オプション(6560)内で評価され、最善な利用できる解決策は解決策オプション(6570)から選択される。

図66では、回帰分析が勝負判定の為に相反するMRAの問題解決に適用される。MRAは回帰分析フィルター(6610)と共に問題を分析し、様々な可動性(6620)を通して分類し、それらの間で(6630)そのデータを分担する。もう一度、そのMRAは並行コンピューテーションの有利性から利益を受ける為にそれらの間でその分析を区別する。MRAは優先順位を定めることによりまた、プログラムパラメータ(6645)と其々の可動性を比較することによりその可動性を重要視する。MRAは分散データベース(6650)内でデータセットとそれらを評価することにより可動性の重要性を評価し、更に、可動性の優先度を順位付け(6660)、解決策オプション(6670)に対して問題可動性のランキングを適用する。MRAはプログラムパラメータを適用することにより最善な解決策オプションを選択する。

図67では、パターン解析とトレンド分析は勝負判定の為に相反するMRAの問題解決に適用される。どちらの分析の種類が要求されるか次第で、問題は策定され(6710)、パターン解析(6720と6730)か、トレンド分析(6725と6735)のどちらかは適用される。パターン解析接近法は、トレンド分析が統計的方法(6745)を使用する時間的調整の中の均整を分析しながら、統計的方法(6740)を使用する空間的調整の中の均整を分析する。いずれの場合でも、其々の分析は評価され(6750)、その結果は順位づけられ(6760)、その分析はMRA決定論理学(6770)に適用される。そのMRA団体は更に、これらの分析に基づいて意志を決定し、その団体が活動的(6790)になることができるという計画(6780)を策定する。

問題解決と交渉のほとんどの実体は、シミュレーションを伴う根底にある相互MRA衝突を処理する。なぜなら、MRAは空間と時間の中での物理的状態と機動性を引受けるという機械の本質だからであり、シミュレーションを使用することによりそれらを設計することが可能である。MRSはセルオートマトンシミュレーション、粒子シミュレーション、ゲーム理論学シミュレーションを含むシミュレーションの多数の種類を使用することが可能である。シミュレーションの全ての三つの主要種類は、集団過程の動力を構造することを含むモバイル分散マルチ-ロボットシステムの中で複雑な活動の表示に有益な特性を加える。図68から73はMRA団体活動のセルオートマトンシミュレーションを記述する。

セルオートマトン(CA)はバイナリユニットまたは、空白として計数型に表示されるセルのシステムである。オブジェクトがグリッドを通して移動すると、それらはセルの中の空間を満たす。もし、オブジェクトがセルを占領しないなら、それは空になる。この率直な方法で、CAは空間と時間でオブジェクトの団体を真似ることができる。CAは二次元、３次元、または、四次元(時間次元を含むという)構造を含むことが可能である。一度時間次元を含むことは、CAシミュレーションを設計する為に可能である。CAシミュレーションはモバイル分散マルチ-ロボットシステムを表す為に同じように適合される、なぜなら、MRAは重複部分のない環境で図を超えて空間と時間の中で行動するという単なるオブジェクトとして見られるからである。たとえそのシミュレーションが複雑になることが可能でも、例えば、適応系列のモデリング動力連携の中で、それらは迅速に変化する環境と相互作用している時、それらの表示はMRS過程の自己組織の為の機械装置を供給する為に重要である。

図68は状況評価のシミュレーションと共にMRS活動のモデリングを示す。その説明が示しているように、立体空間はここでA、B、Cとして表示されるモバイルエージェントによって占領される。この状況評価の場合、その図はA1からA2、A3(6840)に、B1からB2、B3(6850)に、C1からC2、C3(6860)にそのエージェントの空間ポジションでの変化を記述する。

図69はMRAクラスタの範囲内で同時に起こるシミュレーションを記述する。MRAセンサーは他のMRAロケーション(6910)を探知し、アナログセンサーデータをデジタル形式に(6920)変換する。他のMRAポジションについてのMRAデータは段階状態変化(6930)を示す為に即時処理で分析され、シミュレーションはMRAポジション変化(6940)についてデータを表示する為に構成される。其々のMRAはこの接近法を使用することによって即時処理(6950)のシステム内で全てのMRAを継続的に追跡し、其々のMRAはそのシステムで(6960)MRAを表示する為にシミュレーションを構成する。

図70はCAシナリオオプションシミュレーションを記述する。二つのシナリオオプションはAとBよって表される。シナリオオプションAの為に、MRA1(7010)とMRA2(7020)は四つの段階を通ってオブジェクトXとYに移動する。シナリオオプションBの為に、MRA1(7030)とMRA2(7040)は四つの段階を通ってオブジェクトXとYに向かって移動するが異なる方向で移動する。

図71はシミュレーションが目標から逆に計画することによって構成される可逆的または、決定論CAを記述する。たとえシナリオオプション表示が図70に非常に似ているように見えても、使用されるという段階過程は因果関係接近法と全く反対である。どちらかといえば、このシミュレーションモデルでは、MRAは目標から始まり、逆に計画する。この可逆的接近法を使用することによって、そのCAシミュレーションはより順応される目標解決策と共に表される。

図72はどのように適応幾何集合論がMRSに適用されるかを示す。A(7210)、B(7220)、C(7230)の３箇所のCAモデルは、異なるポジションをもたらす１から３で３箇所の異なる系列を示す。その合致モデル(7240)では、三つのモデルのコンビネーションは達成され、それはBとCの結果を妥協することによってその三を総合的に扱う。幾何集合論は集合された組合せの重複部分を表す為に有益である。

図73はシミュレーションシナリオの(時間的)合致として最適化シミュレーションの選択を示す。可能なシナリオが1R''、1R'''、1R''''(7310)によって表示されながら、MRA1は、1'、1''、1'''、1''''(7320)での実際の位置によって表示される。同様に、MRA2(7330)と可能なシミュレーションシナリオ(7340)に関して、最後に、これらの系列による結果は7325でのMRA1の合致と7335でのMRA2の合致である。

図74から78はマルチロボットシステムの集合過程を記述する。図75から84はMRAの動力連携(または再集合)過程を記述し、図85から88は自律的MRS自己組織過程を示す。

図74はMRAの組み合わせは大規模な集団から形成する集合開始過程を記述する。MRAはシミュレーションを開発し紹介し(7410)、そのシミュレーションをテスト(7415)し、最も有益でないシミュレーション(7420)を取り去り、最善なシミュレーションを環境(7425)と最新のプログラムパラメータ(7430)と比較する。最善なシミュレーション(制約の範囲内で)は、重複部分を作成する為に選択(7435)され集められる(7450)。集められたシミュレーションから、図は作成(7455)され各々MRAロケーションは図の(7460)それらの位置に関して確認される。MRAは更に集められたシミュレーション図(7465)の幾何的ロケーションに従って効率的な方法で物理的ロケーションを移動する。

同質MRA団体隊形の開始は図75で記述される。最初(上部)の部分で、オブジェクトX(7510)は七機の類似MRA(7520)と対決させる。集合開始段階を経験する後、MRA(7540)はオブジェクトに向かって移動することによってオブジェクトX(7530)に関して変化するそれらの位置として二番目の部分で示される。

図76では、開始過程は共同異種MRAを伴うことを示される。第一段階で“S”(7610)印のMRAは専門化MRA(7620)の団体を開始する。第二段階で、他の種類のMRA(7640)がそれらの位置を維持しながら、その“S”MRA(7630)は特定に任務を果たす為に集中する。この場合、専門化MRAの特有の種類は特殊化ユニットとして特定の機能を果たす為に“抜擢”される。

図77では、補足的異種MRS団体隊形開始が記述される。最初の段階で、“S”印(7710)のMRAは、共同異種MRAに関するように同様な方法で特殊化MRAの団体を開始する。しかしながら、むしろ同じ“S”印を引付けることよりも、それらの安定した位置(7740)で他のMRAを残す二番目の欄から“Y”と“T”印(7730)を要求する。このように、補足的専門家は縦に並んで複合機能を果たす為にチームとして一緒に働くことが可能である。

要求初期化環境適応の第一段階は図78で記述される。静的環境データ図(7830)の結合と実際の環境変化(7820)から、動力環境データ図(7825)は作成される。これらの図は過去と現在のシミュレーション(7850)を報告し、それは、分析される(7840)。その分析は習得方法(7810)によってそれ自体で報告される。そのシミュレーションとそれらの分析が与えられえば、交渉はMRA(7855)間で生じ、それは限定(7865)の範囲内で決定に達する。この決定はまた、限られた(集合された)シナリオシミュレーション(7870)によって報告もされる。一度、決定がMRAによって下されると、選択は使用(7875)する為に集合の特定形成について作られ、MRAの実際の特別な位置はこの新しい決定(7880)と一致して変化される。

図79から84では、動力連携または、再集合過程が議論される。図79では、連続MRA団体組み立て再構成過程が記述される。第一段階では、団体はMRA1、2、3、4を含んで集結(7910)される。第二段階では、新しい団体はMRA3、4、5、6を含んで組織(7930)される。最後に、最終段階では、更に他の団体がMRA4、5、6、7、8を含む為に組織される。団体の左部分から団体の右部分にシステムを経由するその動きが、大規模な集団の異なるサブ-セットに適応する為にその団体を要求するというその環境に変化する相互作用反応を説明する。

図80では、サブ-ネットワークの継続的再構成が記述される。この図では、右欄は左のMRA団体がオブジェクトに向かって移動するというオブジェクトを示す。その過程の第一段階は右欄で確認される。8005のその過程の最初の部分では、集団の第一サブ-セットはそのオブジェクトに向かって移動する。第二段階では、MRAはMRA団体(8010)の構成を再び構成し、そのオブジェクトに向かって移動する。後の段階で、中間図の中では、第二団体(8020)が後にそのオブジェクトに移動する間に、六機のMRA(8015)を含む大規模初期団体はそのオブジェクトに向かって移動する。この第二団体は、両方の団体の重複する二人のメンバーを含む。しかしながら、その過程の３番目の部分では、MRAによる要求はその過程の二番目の部分からもう一度変わる。この場合、六機のMRA(第一段階の最後の三機を含む)を含んでいる団体がそのオブジェクトに向かって移動する間に、五機のMRAはそのオブジェクトに向かって移動する。この図は連携としての集合過程の動力運動状勢は活動的に作成され再構成される。

図81は環境相互作用に対する動力団体行動適応を説明する。第一段階では、最初のMRA団体(8120)はオブジェクト(8130)の団体に向かって移動する。この第一段階では、一つのオブジェクトが表示されるXによって叩き出されるが、二機のMRAもまた、除去される。第二段階では、8120と8110の結合を含むMRA(8150)の再構成団体は、オブジェクト(8160)の団体の中で更に二機のオブジェクトに向かって移動し、三機のMRAは表示されるようにXによって活動から除去される。第３段階では、8150と8140の結合を含むという新たな再構成MRA団体(8170)は、三機の残りのオブジェクト(8180)に向かって移動する。

並行動力トラベリングセールスマン問題は図82の中で協力する自律的エージェントと共に記述される。それらがセンサーデータの流れ(8210)を受信後、MRAの団体はセンサーデータ(8240)を共有することによって環境データを収集し、プログラムパラメータ(8240)と共に首尾一貫した環境データの初期優先順位を使用する。その環境データが変化(8270)しながら、MRA間の相互作用と環境が生じ(8820)、それはMRAセンサーデータの流れ(8210)を報告する。環境データ変化(8270)もまた、変化する環境(8280)の最近の情報と共に優先順位に再優先する。優先順位のこの再優先は、MRAプログラムパラメータ(8230)の再優先に基づいて物理的系列(8260)のMRAの優先度に大いに基づかれる。一度、最新の情報(変化する環境を適応する為に)と共に優先度の再優先が生じると、MRAは優先順位(8290)で活動の物理的系列を果たす。この過程はMRAの分析的機能と、変化環境から可動性データ入力を用いるという複数変化MRAポジションからのセンサー収集の物理的処理間での動力結合を伴う。なぜなら、MRSは分散されるからであり、並行処理の使用はコンピューテーション資源の効率的な処理をますます許す。図64もまた、時間を超えて物理的状態と分析的状態動力学の両方を調整するというデータ流れ過程を説明する。

図83は全体にわたる使命成功の機会を増すことができるようにセンサー情報を得る為にそれら自体で利他的MRA犠牲を示す。MRAはXで示されそのオブジェクト(8320)に向かって移動し、叩き出される。しかしながら、この最初の作戦の使命で入手されるという情報は、オブジェクトを負かすことが良くできるように更に、その集団に送り戻される。

一般的動力連携過程は図84で記述される。使命目標とパラメータが設定(8455)される後、センサーデータと様々なソースはその地形(8460)を調査する。多数のエージェントによる同時並行コンピューテーションはデータを共有することによってまた、コンピューテーション資源(8465)を分割することによって果たされる。センサーデータは更に、様々なMRA(8470)によって評価される。MRAの団体は集合(8475)することに合意することによって出現し始める。決定は展開する使命パラメータと優先度を応じる為に小規模な団体を形成する為に下される。特定のMRAはナビゲーション計画を最新のものにし、その使命(8485)を活動的にする。その使命が展開するにつれ、例えば、もし、その妨害が特に敵対(8490)するなら、MRAの団体は、必要に応じて加えられるか、除去される。

図85は自律的MRA自己組織過程の中で伴われるという団体コーディネイトと障害物回避を記述する。障害物X、Y、Z(8510)はそれらの初期ポジションからMRA A、B、C(8550)に向かって移動する。8520でそのオブジェクトが接近するにつれて、8540でMRAは障害物としてそのオブジェクトを探知し、移動するオブジェクト(8530)の弾道の外で移動することによってそれらを回避し始める。

図86では、特定MRA A(8610)、B(8630)、C(8650)は、Zを攻撃するA、Xを攻撃するB、Yを攻撃するCと共に特定のオブジェクトX(8620)、Y(8640)、Z(8660)に向かって移動する。自己組織過程のこの特殊性は、チームとして共に働くMRAの特殊団体として図87で更に開発される。MRA A(8710)、B(8720)、C(8780)、D(8790)は、8750で一緒に集合する方に向かって進行中の段階で、各々8730、8740、8760、8770の位置に移動する。この位置で、特殊化MRAは使命で最も有益の為の特定機能を共有することで共に働く。図88では、多機能MRAが自己管理過程の中で記述される。図87では、そのMRAが特殊化であるのに対して、図88では、MRAは特定の変化状況で切り替えることが可能であるという多機能性を持っている。その図が示すように、ポジションA1(8810)ポジションのMRA AとポジションB1(8850)ポジションのMRA BはオブジェクトX(8830)に向かって移動する。それらがそのオブジェクトに向かって移動するにつれて、MRAは一つの特殊化機能から他に変わる為にその必要性を探知する。ポジションA2(8820)とB2(8840)で、MRAはそのオブジェクトに対してそれらの使命でより効果的にする為に異なる特殊性に対して機能的モードを変える。

図89から99は本システムの特定用途を記述する。(1)リモート探知(図89から92で記述される)、(2)危険物管理(図93から95で記述される)、(3)建造物工程(図96から95で記述される)を含む用途の三つの主要分類がある。MRSを使用するというリモート探知活動は、監視、偵察、遠隔地調査、歩哨活動、映画撮影を含む。危険物管理活動は有害敷地清掃、石油漏れ、消火活動を含む。建造物工程は製造物生産、組み立て、道路建設、外科的活動を含む。

図89では、監視と偵察がモバイルオブジェクトの探知と追跡の為に使用する複数マイクロオブジェクトを記述する。二機のMRA、X(8910)とY(8960)が各々ポジション X2(8920)とY2(8970)に対して並行進路で移動しながら、それらは、オブジェクトA(8940)を追跡する。そのオブジェクトがポジションA2(8950)にまた、更にポジションA3(8955)に移動するにつれ、MRA Yはセンサーを使用することによって、また、そのオブジェクトを近くで追跡することによってポジションY3(8980)にまた、更にポジションY4(8990)に移動しながらMRAＸはポジションX3(8930)に、また、更に、ポジションX4(8935)に移動する。

図90では、遠隔地調査過程は、複数マイクロ-MRAによって実行される複数オブジェクトの初期追跡を記述される。この実例では、MRA1(9010)はオブジェクトR1に向かってポジションX'に移動する。しかしながら、そのオブジェクト自体はポジションR'からポジションR''に移動し、MRAによって追跡され、それはポジションX''に移動する。この過程は、オブジェクトR2(9060)を追跡するMRA2(9020)とオブジェクトR3(9070)を追跡するMRA3(9030)と共に繰り返される。

図91は複数MRAと共に複数オブジェクトを負かす限られた周辺部の範囲内での歩哨活動を記述する。この説明では、MRAは、戦地の周辺部を囲んで抑制された戦地を占領する為に均等に離れて間隔が置かれる。

現在のシステムもまた、映画撮影に応用でき、その点で、一つのモバイルオブジェクト(またはモバイルオブジェクトの集団)はMRAと共に探知され追跡される。この過程は図92で記述される。オブジェクトがポジション9250と9260に移動するにつれて、MRA1(9210)とMRA2(9270)は、オブジェクトX(9240)を追跡する。MRA2がポジション9280と9290に対する進路に沿ってそのオブジェクトを追跡しながら、MRA1はポジション9220と9230に対する進路に沿ってそのオブジェクトを追跡する。この過程は、そのオブジェクトが休止する為に停止しながら、そのMRAが同様に停止することができるように、可動性になることが可能である。この場合、MRAはオートフォーカスズームレンズとデータ記憶の状態で自動化デジタル写真性能を持つ。MRAは同様に複数オブジェクトを追跡する為に使用されることができる。他のMRAが同じ現場の異なった見解を入手する為に遠方からそのオブジェクトを追跡することが可能である間に一機のMRAは接近した視野内でそのオブジェクトを追跡することが可能である。

図93は有害現場清掃を記述する。この場合、静的清掃は複数MRAによって地上周辺部の範囲内で起こる。第一段階でA-タイプMRA(9310)は特定の物理的空間の中で有害汚染(9320)の限られた量を制限する為に使用される。MRAは左右に掃き掃除接近方を使用することによって移動する。第二段階で、その流出(9340)は減少され、MRSは同じような掃き掃除技術を使用することによって、その汚染を排除できるように継続する為にB-タイプMRA(9330)を求める。最後に、有害流出物(9620)は限りある空間で管理され、MRSは仕上げ作業を完了する為にC-タイプMRA(9350)を求める。

地上での有害流出物を清掃することとして同じような方法で図94は、複数MRAによって限られた水力発電境界線の範囲内で石油漏れの動力清掃を記述する第一段階では、石油漏れ(9420)はMRA(9410)によって取り囲まれ、それは、被害を押さえ石油を取り除く為に働く。第二段階では、石油漏れはより少量(9440)に成り、MRA(9430)は流出物を掃除する為に活動するという特定の“セル”の中で実行することによってその石油を取り除く為に続けて行われる。この過程は石油漏れ(9470)が制限され、石油の最後の一滴がMRA(9460)によって片付けられる最後の段階で継続する。

図95は動力相互作用が複数MRAによって複雑な環境で起こる自動化消火過程を記述する。その過程の第一段階では、MRA(9510)はその火災(9520)に対して一箇所の外観だけに落とされる。(なぜなら、その火災は最初に反対側で近づき難くなっているからである。) MRA(9530)がその火災(9540)を包囲することができるにつれ、第二段階で、それらは、加熱性であるというブラシを取り除くことを含む幾つかの方法を使用することによって、また、火災の周りの境界線に難燃剤を流し込むことによって、また、その火災に直接水を注ぐことによって消火する為に探索する。MRA空上で送り出されるまたは、地上で送り出されることが可能であり、そして、回収される。最後の段階で、その火災は緩和(9560)され、MRA(9550)は消防の任務を完了する。

図96はそのオブジェクトが複数のMRAを使用することによって開発される製造業生産を記述する。MRA A(9610)、B(9640)、C(9650)、D(9630)はそのオブジェクト(9620)を開発する為に一緒に働く。これをする為の一つの方法は、異なる空間位置から一緒にそのオブジェクトの部分を取り付ける其々のMRAの為である。

図97はその部品を組み合わせる為にMRAを使用することによってオブジェクトの組み立てを示す。組み立て設備(9710)で、ポジションA1(9720)のMRA AとポジションB1(9730)のMRA Bはオブジェクトを組み立てる為に活動する。可動な組み立てラインを持つより、MRA自体が行動するほうが良い。組み立て任務を完了する為にMRA AはポジションA2(9740)に移動し、MRA BはポジションB2(9750)に移動する。この組み立て任務組織の過程はより迅速に部品を組み合わせることによってオブジェクトを組み立てる為にチームとして一緒に働く専門化機能的MRAの為にその機会を提供する。

道路は図98で説明されるように複数のMRAを使用することによって建設されることができる。MRA A(9810)とMRA B(9820)は隣接跡に沿ってアスファルトを敷設することによって道路を建設する為に取りかかる。

図99は外傷診療行為と安定化の為にMRAを使用するマイクロ手術を記述する。この場合、MRA AとMRA Bはそれら自体を患者に案内する。最初に、MRAは問題を確認する為にセンサーを使用することによって外傷の症状を確かめる。MRAは更に、問題を解決する為に患者の上で様々な位置に移動する。外傷の場合、MRAはレーザーでその外傷を焼灼することによってまたは、圧力を加えることによって、出血を止める為に追求する。心臓の鼓動停止の場合、MRAは電気ショックを投与する。患者が安定することによって、回復の見込みが目ざましく高くなる。

ここに記述された実例と具体的表現は例示を目的としてだけであり、これに対する多様な改善、または、変更を戦術技能ある方々に示唆し、また、その多数の改善または、変更は、この出願の精神と範囲内にまた添付の要求の適用範囲を含まれるはずである。ここに引用された全ての公表と特許と特許出願は全ての目的の全体の為に参考で添付される。

システム層のリストである MRAの為の総合ハイブリッド制御システムの概要の図表である 動力的データベース編成の表である センサーでMRAの位置を確認する３ヶ所のMRAの説明図である その環境状態を評価することと、公式に変化をコーディネートするMRAの図表である フレキシブルモバイルグリッド構成は動力クラスタ内で組織される分散MRS分散の為のメタコンピューティングモデルの図表を説明する データベースの効率的ルーティングと分析的機能を含むワイヤレスモバイルMRSでMRAノードの中にまじってコンピューテーション資源の分担を示す説明図である 分散MRSでデータベースコーディネーションを示す図表である 動力分散オブジェクトリレーショナルデータベースデータ流れ過程を示す図表である オブジェクトリレーショナルデーテベース管理システムで時間的オブジェクトを示す図表である モバイルグリッド動力学を示す図表である MRAの為の独立したブラックボードを示す図表である MRAでのインテリジェントモバイルソフトウェアエージェントオペレーション制御を示す図表を説明する 若年とアダルトトレーニングレベルを示す流れ図である MRAアティチュードバイアスを示す図表である 環境相互作用から習得と改作を示す流れ図である MRAトレーニング過程を示す流れ図である 補強習得を示す流れ図である 時間の制約でハイブリッド習得を示す流れ図である MRAが他のMRAから習得する社会的習得の説明図である 他のMRAに教えるというMRAを示す説明図である 非対称MRAリーダーシップと時間的ハブの出現を示す説明図である 自己組織チームで特殊化習得を示す説明図である 職務課によって自己組織化が個々の専門家の為に存在する自動特殊化を示す説明図である 自己組織図を示す流れ図である 遺伝的アルゴリズムを示す流れ図である バイナリ遺伝的アルゴリズムを示す説明図である 遺伝的プログラミング系図構成を示す説明図である 並行小集団健康評価を示す説明図である ニ層ニューラルネットワークを示す説明図である 人工ニューラルネットワークコネクションウエイトを説明する図である 初期ウエイトの計算で遺伝的プログラミングを説明する図である 不確定人工ニューラルネットワークに適用する遺伝的プログラミングを説明する図である 進化的人工ネットワークコネクションとノード追加を示す説明図である 進化的不確定人工ニューラルネットワークフィードフォワード進行を説明する図である ANNでのコネクションウエイトの為の進化的サーチを説明する図である ファジー論理学基準を示す流れ図である トゥーインプット可変及び三規定と共にニューロファジー制御装置の説明図である 五層展開ファジーニューラルネットワークを説明する図である ファジー推論システムに基づいた適合できるネットワークを説明する図である 自己組織ニューラルファジー推論ネットワーク構成を説明する図である 動力展開ファジーニューラルネットワークを説明する図である ANNコンピューテーションはMRA間で分担されるANNのフレキシブル拡大可能分散ANNを説明する図である MRA相互作用上に力をいれるマルチエージェントシステム内でのインテリジェントモバイルソフトウエアエージェント(IMSA)動力学を示す説明図である MRA間のIMSA関係を示す説明図である 分析エージェントのオペレーションを示す流れ図である サーチエージェントのオペレーションを示す流れ図である インテリジェント交渉エージェントの初期オペレーション(INA)を示す流れ図である IMSA内部通信を示す流れ図である INA構成を示す流れ図である 事前交渉過程を示す流れ図である INA記号論理学を示す流れ図である 機動性ある分散システムでの交渉を示す流れ図である 機動性ある分散システムでの交渉を示す流れ図である（続き） 多重変更での同時多国間交渉工程を示す説明図である 多変量交渉要因を示す説明図である 競争INA体制での勝負判定を示す流れ図である 議論工程を示す表である 反対INA戦略の予期を示す流れ図である 焦点を絞る為に合意するMRAの団体の問題確認を示す流れ図である MRA間の解決策オプション開発を示す流れ図である 解決策オプション選択法を示す流れ図である どのようにMRAが、最も最近の関連ある情報を待ちながら今ある状況の問題の為に最も有効な解決策を選択するかを示す流れ図である MRA団体合意を説明する図である 決定過程の時間相を示すという表である 問題解決の為の多変量解析の適用を示す流れ図である 勝負判定の為に相反するMRAの問題解決に対する回帰分析の適用を示す流れ図である 勝負判定の為に相反するMRAの問題解決に対するパターン解析及びトレンド分析の適用を示す流れ図である 状況評価が実行されるシミュレーションと共にMRS活動のモデリングを説明する図である MRAクラスタ内でのシミュレーション同時を示す流れ図である 偶発セルオートマトン(CA)シナリオオプションシミュレーションを説明する図である 目標から逆に計画する可逆的CAを説明する図である MRＳに適用する適応幾何集合論を説明する図である シミュレーションシナリオが(時間的)合致される最適なシミュレーション選択を説明する図である MRAのセットが大規模集収から形成する集団過程の開始を示す流れ図である 同質MRA団体形成の開始を説明する図である 共通不均一MRA団体形成の開始を説明する図である 補足的不均一(専門的)MRA団体形成の開始を説明する図である 要求初期化環境適応の初期段階を説明する流れ図である 継続的MRA団体組織再構成を説明する図である サブネットワークの継続的再構成を説明する図である 環境相互作用に対する動力団体行動適応を説明する図である 共同する独立エージェントと共に並行動力トラベリングセールスマン問題(TSP)を説明する流れ図である 全使命成功の機会を増す為にセンサー情報を入手する為にMRA(最初の作戦戦術)の利他的犠牲を説明する図である 全体的動力連携過程を説明する流れ図である 団体コーディネーション及び障害物回避を説明する図である 特殊化によって特定MRAの機能性を説明する図である チームとして働く専門化MRAを説明する図である 多機能自己組織化MRAを説明する図である 多発性微小-MRAによって知覚し追跡されるモバイルオブジェクトの監視及び偵察を説明する図である 多発性マイクロ-MRAと共に複数オブジェクトの初期追跡でのリモート探知を説明する図である 制限された境界線内で歩哨行動を説明する図である オブジェクトを知覚し追跡するMRAの映画撮影用途を説明する図である 複数MRAで地上基礎有害現場清掃を説明する図である 複数MRAによって制限された水力発電境界線内での石油漏れの動力清掃を説明する図である MRSと複雑な環境間での動力相互作用としての複数MRAの消火活動を説明する図である オブジェクトが複数MRAを使用することによって開発される製造業生産を説明する図である 複数MRAを使用する全オブジェクトを開発する為に部分が結合されるオブジェクトの組み立てを説明する図である MRAを使用する道路建設を説明する図である 外科診療行為及び安定化の為に使用される外科的マイクロMRAを説明する図である

Claims (1)

1. お互いに内部結合される複数のシステム層を持つマルチ-ロボットシステム構成であって、
   複数のモバイルロボットエージェント(MRA)によるハイブリッド制御システムを含む第一層、
   複数のMRAによる分散モバイルロボットシステムを含む第二層、
   複数の動力集団の中でのグリッドコンピューティング構成を含む第三層、
   動力分散オブジェクトリレーショナルデータベース管理システムを含む第四層、
   全結節進化的人工ニューラルネットワークを含む第五層、
   マルチ-エージェントシステムと複数のインテリジェントモバイルソフトウエアエージェントを含む第六層、
   複数のセルオートマトンシミュレーションを含む第七層、複数の機能的適用を含む第八層から成る。
   

Images