Исследование методов организации коллектива роботов на основе моделирования эусоциальных сообществ

Проект выполнен при поддержке РНФ (проект № 16-11-00018)

Исполнители

  • Карпов Валерий Эдуардович, доцент, к.т.н., НИЦ “Курчатовский институт”
  • Кулинич Александр Алексеевич, к.т.н., Институт проблем управления им. В.А. Трапезникова РАН
  • Тарасов Валерий Борисович, к.т.н., доцент ФГОУ ВПО МГТУ им. Н.Э.Баумана
  • Карпова Ирина Петровна, доцент, к.т.н., МИЭМ НИУ ВШЭ
  • Воробьев Виталий Владимирович, аспирант НИЦ “Курчатовский институт”
  • Ровбо Максим Александрович, аспирант НИЦ “Курчатовский институт”
  • Московский Антон Дмитриевич, аспирант НИЦ “Курчатовский институт”
  • Мигалев Александр Сергеевич, инженер НИЦ “Курчатовский институт”
  • Овсянникова Елена Евгениевна, инженер НИЦ “Курчатовский институт”

Тематика заявленного проекта связана с созданием новых методов организации управления в больших коллективах роботов. Эти методы основаны на реализации ряда моделей социального поведения, включающих в себя, в том числе, применение методов и технологий искусственного интеллекта.

Основной задачей исследования является разработка комплекса механизмов (алгоритмов, методов, архитектуры), на базе которых возможно создание группы роботов с элементами социального поведения и взаимодействия.

В ходе выполнения проекта ожидаются следующие результаты:

  • создание архитектуры мобильного робота, учитывающей возможности реализации механизмов локального взаимодействия, языкового (знак-ориентированного) общения и особенностей психической организации (индивидуальные особенности);
  • определение множества базовых механизмов социального поведения и реализация на их основе моделей различных социальных организаций;
  • создание представительной группировки мобильных роботов, обладающих возможностью локального взаимодействия и общения;
  • разработка оригинальных алгоритмов и методов решения задач морфогенеза группы роботов;
  • решение таких тестовых поведенческих задач, как рекогносцировка, патрулирование, эскортирование и стайная охота;
  • решение задачи поддержания территориального гомеостазиса группой (социумом) роботов (практическая задача из области охраны и мониторинга территории).

Описание выполненных в 2017 году работ и полученных научных результатов

1. Проектирование и спредства моделирвоания

Развитие системы моделирования

Выделены основные требования к специализированной системе моделирования, предполагающей использование кластеров для проведения масштабных экспериментов с большим количеством агентов и различными конфигурациями окружающей среды [Ровбо, Овсянникова, Чумаченко, 2017]. На основе выделенных требований была разработана общая архитектура системы.Был реализован прототип этой системы моделирования в виде системы KVORUM [Rovbo, Ovsyannikova, 2017] с соответствующими модификациями архитектуры, необходимыми для предварительного тестирования системы. Разработанный прототип был апробирован на ряде задач, характерных для области групповой робототехники, в особенности для построения систем с элементами социальной структуры, в т.ч. проверена возможность использования алгоритмов управления для симулятора непосредственно на реальных робототехнических системах.

2. Распознавание и рецерторика

Гибридная система технического зрения

Разработан метод распознавания сцен посредством анализа на графах. Метод позволят работать в режиме частичной видимости и строить предположения о нахождении искомых сцен, когда входная информация представлена не в полном объеме. Имплементация в данный метод парадигмы недоопределенных моделей позволяет увеличивать уверенность в предположениях. На основе этого метода был разработан когнитивный сенсор технического зрения для мобильного робота. Сенсор позволяет распознавать составные объекты и простые сцены. При этом он обеспечивает получение дополнительной информации в виде расстояния до объектов и реализует процедуру слежения за объектом, который должен находиться в фокусе внимания робота. Сенсор реализует выходной интерфейс, как фрагмент семантической сети и тем самым естественным образом интегрируется в систему управления.

3. Архитектуры, модели и механизмы

3.1 Модель агрессивного поведения

Разработана модель агрессивного поведения особи (агента), учитывающая накопленную агрессию и наличие поблизости других особей. За основу этой модели взято агрессивное поведение муравьев как представителей эусоциальных (истинно социальных) насекомых. Проведены вычислительные эксперименты на примере задачи охраны территории, подтверждающие, что агрессивное поведение позволяет группе роботов поддерживать территориальный гомеостазис группы на основе локального взаимодействия между особями [Karpova, 2018], [Карпова, 2017a].

3.2 Подражательное поведение в задаче фуражировки: следование за разведчиком

Была разработана имитационная модель в системе Repast Symphony, которая использовалась для изучения механизма распределения ролей [Ровбо, Малышев, 2017] и была адаптирована под постановку задачи, связанную с фиксированными ролями, но различной логикой агентов. Агенты делятся на два типа: разведчики и фуражиры. Основной задачей разведчиков является обнаружение источников пищи и обеспечение возможности фуражирам найти данный источник. Разведчик случайным образом исследует местность и, найдя источник пищи, запоминает местоположение источника, забирает оттуда некоторое количество пищи и несёт её в гнездо. Потом разведчик с фиксированной вероятностью либо возвращается к запомненному источнику, либо ищет следующий источник. А деятельность фуражира основана на подражательном поведении: фуражир (также с некоторой вероятностью) следует за разведчиком, обнаружившим пищу. Как только фуражир оказывается рядом с источник пищи, он “отцепляется” от своего лидера, запоминают источник и начинают процесс переноса пищи в “гнездо”. С одной стороны, практическая ценность задачи фуражировки состоит в решении проблемы энергетической автономности группы роботов, которым необходимо выполнять продолжительные работы на фиксированной территории, используя находящиеся на ней возобновляемые энергетические ресурсы. С другой стороны, эта задача естественным образом позволяет переносить некоторые элементы организации живого муравейника, являющего эусоциальным сообществом, на техническую систему, позволяя воспользоваться преимуществами такой организации.

3.3 Модуль логического вывода для группы роботов

Разработан модуль в виде библиотеки функций, реализующих поиск с возвратом и унификацией для групп роботов с локальным взаимодействием. Модуль содержит функции, реализующие элементы вывода в логике первого порядка, что позволяет решать более широкий круг задач, поставленных перед группой роботов [Воробьев, 2017a], [Vorobiev, 2017].

3.4 Архитектуры агентов

Была предложена качественная архитектура BDI-робота включающая: качественную модель представления знаний, подсистемы планирования поведения и кооперации агентов [Кулинич, 2017b]. Модель представления знаний агента представляется в виде концептуального каркаса, структурирующего среду функционирования агентов на подпространства, определяющие классы возможных состояний [Кулинич, 2017a]. При решении задачи планирования поведения агентов выбор действия агента основан на решении обратной задачи в логико-лингвистических уравнениях динамики агентов и на критерии рациональности его поведения, что позволяет выбрать лучшее действие [Кулинич, 2018]. В основе подсистемы кооперации агентов лежит критерий взаимной полезности агентов. Сформулированы условия командной работы роботов с качественной BDI-архитектурой. Предложенная качественная архитектура была исследована при имитационном моделировании механизмов образования и функционирования команд интеллектуальных агентов (роботов). Разработаны следующие методы и алгоритмы: структуризации среды функционирования на основе обмена группы роботов информацией о собственных ресурсах; метод символизации классов состояний концептуального каркаса. Показано, что искусственные имена символы однозначно определяют класс состояний роботов в среде и могут быть использованы для локальной коммуникации в процессах образования и функционирования команд роботов. Были уточнены критерии образования команд интеллектуальных роботов в виде ряда условий образования команды в предложенной качественной семиотической среде функционирования [Кулинич, 2018], [Кулинич, 2017b].

3.5 Фундаментальные и общесистемные исследования

Были проведены исследования в области общих фундаментальных вопросов синергетического интеллекта и его связи с т.н. роевым интеллектом. Были выявлены различные источники проявления синергетических эффектов для роевого интеллекта. В результате были сформулированы общие принципы и модели для задачи территориального распределения группы роботов, использующих локальное взаимодействие. В качестве тестовой рассматривалась задача групповой охоты [Karpov, Tarassov, 2017]. Кроме того, было введено понятие цветной ресурсно-целевой сети, в которой цвета вершин соответствуют агентам разных типов. При этом взаимодействие агентов рассматривалось как обмен ресурсами [Тарасов, 2017].

4. Язык, общение, коммуникации

Система акустической коммуникации

Для звуковой локальной нейросетевой системы связи разработан алгоритм преобразования звука в импульсную последовательность. Кодирование и декодирование звукового сигнала реализовано с помощью вейвлет-функции Морле. Алгоритм генерации импульсов реализован на основе модификации известного алгоритма BSA. Для оптимизации вычислительных ресурсов предложен алгоритм фильтрации, преобразования звука в импульсы, распределения активности за счёт архитектуры входного слоя нейронной сети. Разработан алгоритм обучения с подкреплением для модели нейронной сети типа ответа на импульс (Spike Response Model) c наличием различных временных задержек на синапсах [Мигалев, 2017].

5. Прикладные задачи

5.1 Организация данных

Рассмотрен способ организации обработки распределенных данных, носителями и потребителями которых являются мобильные роботы, образующие статический рой. Предложены структура и состав общей базы данных для группы роботов, реализация которой позволит роботам согласовывать свои действия за счет обмена данными на основе локальной коммуникации [Карпова, 2018].

5.2 Создание полигона для проведения натурных экспериментов

Разработан прототип полигона для проведения натурных экспериментов. Имеется возможность собирать на полигоне ряд препятствий различной формы для имитации разной местности. Разработан программно-аппаратный комплекс – система глобальной локализации роботов на полигоне по цветовым маркерам. В основе системы распознавания положения – множество камер. Алгоритм использует методы перспективных геометрических преобразований с последующим доопределением местоположения объекта, использующим достоверности свидетельств наблюдения [Воробьев, Мигалев, 2017].

5.3 Создание представительной гетерогенной группировки мобильных минироботов серии YARP

Разработан прототип мобильного миниробота для работы в группе. Миниробот представляет собой этажную конструкцию с силовым блоком и двигателями на первом этаже, блоком управления, сенсорной системой и глобальной системой связи на втором этаже и системой локальной связи на третьем этаже. Блок управления состоит из контроллеров управления нижнего и верхнего уровней и контроллера локальной связи. Сенсорная система представлена пятью ИК-дальномерами. Локальная связь представляет собой систему ИК-излучателей и экранированных друг от друга приемников, что обеспечивает направленность передачи.

5.4 Программно-аппаратный комплекс для решения задачи патрулирования территории группой роботов

Разработан механизм коллективной рекогносцировки местности роботами без обмена картами в процессе исследования, который основан на их локальном взаимодействии. Суть механизма заключается в том, что робот, при его встрече с другим роботом, отмечает определенную область как уже исследованную, что позволяет сократить время исследования и картографирования территории [Воробьев, 2017b]. При этом роботы не только детектируют других участников, но и воспринимают информацию об их состоянии.

Описание выполненных в 2016 году работ и полученных научных результатов

1. Концептуальные вопросы социального поведения роботов

Первым этапом исследований стала формализация задачи организации социальных сообществ искусственных агентов – роботов. Был сформулирован перечень базовых моделей поведения агентов (контагиозное, подражательное, агрессивное, обучающее и проч.), механизмов и методов (дифференциация в группе, выбор лидера, общение и т.д.), а также макрофеноменов поведения (образование коалиций, пространственная ориентация и общение, популяционная регуляция и проч.). Итогом стало создание концептуальной схемы, определяющей перечень и связи базовых механизмов и методов, позволяющих образовывать различные виды социальных сообществ [Карпов, 2016a]. [Карпов, 2016b]. Созданные обобщенные биоинспирированные архитектуры агентов оказались пригодными не только для решения прикладных задач группового управления (исследование территории, групповое картографирование и т.д. [Karpov и др., 2016]), но также позволили описать такие «экзотические» феномены поведения и явления, как паразитическое зомбирование (манипулирование) и расщепление сознания [Karpov, 2016].

2. Общие вопросы управления группами роботов

Грануляция информации и обобщенные ограничения

Были исследованы фундаментальные вопросы применения механизмов грануляции информации применительно к созданию систем групповой робототехники и разработан ряд моделей грануляции информации и нечетких рассуждений для системы управления роботами [Святкина, Тарасов, 2016], [Tarassov, 2016]. Были развиты модели нечетких рассуждений роботов на базе псевдофизических логик, разработана модель нечетких рассуждений и выводов на базе обобщенных ограничений для мобильных агентов. Основными результатами исследований являются: (1) формализация различных видов обобщенных ограничений для групп роботов; (2) построение пространственных онтологий для мобильных роботов; (3) разработка схемы рассуждений и алгоритма для управления роботами на основе распространения обобщенных ограничений.

3. Системы искусственной жизни и групповое управление

На этом этапе исследований был осуществлен анализ и моделирование эусоциального сообщества роботов на основе подходов многоагентных систем и искусственной жизни («интеллекта роя»). Основными результатами являются ([Тарасов, 2016], [Svyatkina, Tarassov, Dolgiy, 2016]): (1) построение схем и алгоритмов адаптивного, интерактивного и диалогового управления роботами; (2) исследование принципов и механизмов построения искусственного роя как многоагентной системы; (3) развитие ресурсного подхода в групповой робототехнике и построение модели искусственного эусоциального сообщества как многоагентной системы управления распределенными ресурсами.

4. Механизмы познания и интенций

Были проведены исследования в области моделирования процессов коллективного познания и организации коллективного поведения в искусственном эусоциальном сообществе. Основные результаты исследований: (1) разработка модели взаимодействия агентов в эусоциальном сообществе на основе ресурсных сетей; (2) разработка концепция коллективного познания для эусоциального сообщества; (3) описание интенциональных механизмов деятельности агентов; (4) разработка общей архитектуры самоорганизации деятельности интенционального агента.

5. Модели командного поведения реактивных агентов

Исследовались вопросы коллективного поведения агентов (роботов) на основе критериев, сформулированных в социальных теориях командного поведения людей в малых социальных группах. Были предложены такие критерии командного поведения агентов, как: возможность самостоятельного достижения цели; взаимная полезность; взаимный когнитивный диссонанс. На основе этих критериев построена модель командного поведения агента с реактивной архитектурой.

5.1 Поведение агентов в символьной среде

Исследовались вопросы коллективного поведения интеллектуальных агентов (роботов) с «ментальной» BDI (Belief-Desire-Intention) (Убеждения-Желания-Действия) архитектурой. При этом модель «Роботы?Среда» определена как пространство состояний динамической системы, определяемое прямым произведением всех возможных значений всех свойств множества роботов, которые представлены в этой среде точками с координатами значений их свойств, что определяет состояние системы «Роботы?Среда». На основе этой модели предложен алгоритм построения концептуального каркаса множеством агентов на основе обмена информацией об имеющихся у них ресурсах.

5.2 Модели образования коалиций агентов (роботов)

Была разработана математическая модель качественной знаковой среды функционирования агентов (роботов) [Кулинич, 2016a], [Кулинич, 2016b]. Эта модель нужна для организации механизма локального взаимодействия агентов. Была разработана модель командной работы агентов с реактивной архитектурой на основе критериев возможности самостоятельного достижения агентом цели и взаимной полезности агентов. В рамках этой модели разработаны такие стайные алгоритмы функционирования команды агентов, как классический стайный алгоритм, алгоритмы ленивых и эгоистичных агентов. Другим результатом стала разработка модели агента с BDI архитектурой в семиотической среде функционирования [Кулинич, 2016c], [Кулинич, 2016d], [Кулинич, 2016e].

6. Модели адаптивного и ситуационного управления в социуме

6.1 Базовые механизмы ситуационного управления и элементы адаптивного поведения

Была разработана математическая модель механизма адаптации коллектива с помощью распределения ролей. В качестве содержательной задачи была выбрана задача фуражирования, в которой исследовалось влияние распределения ролей (носильщики, разведчики и т.п.) на общие интегральные показатели качества популяции [Ровбо, 2016a]. Кроме того, был реализован базовый механизм планирования движения с многими целями на основе потенциальных полей [Ровбо, 2016b; Karpov и др., 2016]. Были исследованы вопросы коллективного поведения агентов (роботов) на основе механизмов кастовости и полиэтизма, способствующих адаптации коллектива муравьёв к изменениям внешней среды. На этой основе был предложен алгоритм распределения ролей для задачи фуражирования и разработана агентная модель.

6.2 Механизмы ориентации и описания маршрута

Одним из наиболее интересных феноменов поведения простейших эусоциальных животных являются методы их ориентации в пространстве, запоминания, хранения и последующей передачи этой информации другим членам сообщества. Было создано алгоритмическое и программное обеспечение метода построения мобильным роботом маршрута по визуальным ориентирам. Результаты исследования могут быть использованы при реализации систем ориентации роботов в групповой робототехнике для решения задач фуражирования, рекогносцировки и др. [Карпова, 2016a], [Карпова, 2016b].

7. Локальное языковое общение в социумах агентов

7.1 Семиотическая архитектура системы управления

Была разработана семиотическая архитектура системы управления робота-агента. Эта модель позволяет реализовывать механизм языкового общения между роботами в группе. В качестве комплексного теста была выбрана задача стайной охоты, в рамках которой были реализованы феномены контагиозного (для жертв) и подражательного (для охотников) поведения. Особенностью функционирования языковой системы – ее связь с эмоциональной компонентой системы управления робота [Карпов, 2016a].

7.2 Поведение, основанное на локальном взаимодействии

Разработаны алгоритм выбора лидера в коллективе роботов и алгоритм кластеризации коллектива, которые реализованы на модели статического роя роботов с использованием исключительно локального взаимодействия между ними. Процесс выбора состоит из трех стадий: формирования индивидуального веса каждого робота, отбраковка кандидатов в лидеры и подтверждение кандидата [Воробьев, Московский, 2016], [Воробьев, 2016a], [Воробьев, 2016b]. Алгоритм кластеризации позволяет делить коллектив на заданное число кластеров [Воробьев, 2016c], [Воробьев, 2016d]. Этот механизм может использоваться для функциональной дифференциации роботов в коллективе.

7.3 Коммуникационная система

Была предложена структура модуля звуковой (и световой) языковой коммуникации для установки на мобильного робота. Для регистрации и отправки команд, координации поведения роботов в группе применяется импульсная модель нейронных сетей. Импульсные последовательности подаются на вход нейронной сети при распознавании, при генерации звука используется обратное преобразование. Модуль распознавания и генерации звуковых команд построен на основе рекуррентной архитектуры нейронной сети с переменными временными задержками.

8. Хранение, обработка информации и логический вывод

8.1 Распределенные базы данных в группах роботов

Важным с точки зрения практического применения систем групповой робототехники является вопрос эффективного хранения и обработки данных, в том числе, сенсорной информации. При этом – в условиях ограничения емкостных и вычислительных ресурсов членов группы роботов. Был разработан формат хранения данных в базе данных робота, обеспечивающий рациональное использование памяти в условиях ограничений на ресурсы. Кроме того, был разработан метод организации запросов в многоагентной системе (статическом рое роботов). Полученные результаты могут быть использованы при реализации систем распределенного сбора и обработки данных и децентрализованного управления.

8.2 Элементы группового логического вывода

Был разработан программный комплекс, позволяющий производить процедуру логического вывода в группе роботов в рамках логики высказываний. Он представляет собой реализацию логического вывода в духе ПРОЛОГа. Суть алгоритма сводится к процедуре ретрансляции по сети запросов – целевых утверждений. Важной особенностью алгоритма контроль зацикливаний при прохождении запросов. Реализация данной процедуры позволит производить выработку общей стратегии коллективом роботов, планировать их совместные действия и т.д.

9. Механизмы познания и интенций

Ключевой задачей было создание системы распознавания сцен, допускающей реализацию на уровне бортовых систем управления роботов (агентов) с ограниченными когнитивными способностями. Основой разработанных моделей и методов стала парадигма недоопределенных вычислений. Базовым является алгоритм детектирования объектов, позволяющий работать со сложными объектами, представляя их как набор простых объектов и отношений между ними [Московский, 2016a]. Кроме того, был разработан алгоритм локализации робота по визуальным ориентирам [Karpov и др., 2016], [Московский, 2016b].

10. Механизмы познания и интенций

Были разработаны требования к системе имитационного моделирования для коллективов роботов с социальной организацией. Такая система необходима для исследования, построения программных моделей и алгоритмов и проведения численных экспериментов в соответствующей области в рамках единой системы моделирования мира и агентов. Её важной особенностью является возможность проведения имитационных экспериментов на вычислительном кластере [Овсянникова, Чумаченко, 2016].

11. Механизмы познания и интенций

Были спроектированы роботы серии YARP-1,2, имеющие модульную конструкцию. Роботы имеют на борту 3 контроллера (Atmega 328): контроллер управления верхнего уровня, контроллер датчиков и контроллер локальной связи. Роботы позволяют проводить широкую номенклатуру экспериментов в области коллективной робототехники: коллективное управление, картографирование, отработка базовых алгоритмов коллективного поведения и т.д. Всего было изготовлено 8 экземпляров роботов YARP, проведены их испытания.

Роботы серии YARP-1

Некоторые публикации

  1. Karpov V.E., Migalev A.S., Moscowsky A.D., Rovbo M.A., Vorobiev V.V. Multi-robot exploration and mapping based on the subdefinite models //Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2016, 9812, с.143-152
  2. Karpov V.E. About Some Mechanisms of Parasite Manipulation of Robot’s Behaviour //Proceedings of the 9th World Conference on Intelligent Systems for Industrial Automation (WCIS-2016), 2016
  3. Tarassov V.B. Information Granulation by Cognitive Robots and Artificial Swarms //Proceedings of the 9th World Conference on Intelligent Systems for Industrial Automation (WCIS-2016), Tashkent, Uzbekistan: , 2016
  4. Воробьев В.В., Московский А.Д. Алгоритм выбора лидера в системах с меняющейся топологией //Пятнадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2016), 2016
  5. Воробьев В.В. Inference algorithm for teams of robots using local interaction //Biologically Inspired Cognitive Architectures, 2017
  6. Воробьев В.В. Алгоритм выбора лидера и кластеризации в группе роботов //Мехатроника. Автоматизация. Управление №3, 2017, 18, с.166-172
  7. Воробьев В.В. Алгоритм кластеризации коллектива роботов //Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта» (БТС-ИИ-2016), 2016
  8. Воробьев В.В. Коммуникационный аспект задачи исследования области группой роботов с локальным взаимодействием //Четвертый Всероссийский научно-практический семинар “Беспилотные транспортные средства с элементами искусственного интеллекта (БТС-ИИ-2017, 5-6 октября 2017 г., г. Казань, Республика Татарстан, Россия), 5-6 октября 2017 г., с.216-225
  9. Воробьев В.В. Программа для выбора лидера в коллективе роботов //Номер 2016661043, 21 октября 2016
  10. Карпов В.Э., Карпова И.П. Агрессия в мире аниматов, или о некоторых механизмах управления агрессивным поведением в групповой робототехнике //Управление большими системами, Москва: ИПУ РАН, 2018, с.173-218
  11. Карпов В.Э., Тарасов В.Б. Synergetic Artificial Intelligence and Social Robotics //Proceedings of the Second International Scientific Conference «Intelligent Information Technologies for Industry» (IITI’17, Varna, September 14-16, 2017) Cham, Switzerland: Springer International Publishing, 2017, 1, с.3-15
  12. Карпов В.Э. Биологически инспирированные подходы в робототехнике //Всероссийский научно-практический семинар «Беспилотные транспортные средства с элементами искусственного интеллекта» (БТС-ИИ-2016), 2016
  13. Карпов В.Э. Модели социального поведения в групповой робототехнике. //Управление большими системами, М: ИПУ РАН, 2016, Выпуск 59, с.165-232 (pdf)
  14. Карпова И.П. About realization of aggressive behavior model in group robotics //Advances in Intelligent Systems and Computing. The Eighth International Conference on Biologically Inspired Cognitive Architectures (BICA-2017), 1-6 August 2017, Moscow, M: , 2017
  15. Карпова И.П. К вопросу о представлении маршрута для робота в задаче фуражирования //Пятнадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2016), 2016
  16. Карпова И.П. К вопросу о представлении маршрута мобильного робота на основе визуальных ориентиров //Мехатроника. Автоматизация. Управление. №2, 18, с.81-89
  17. Карпова И.П. Об одной реализации модели агрессивного поведения в групповой робототехнике //Международный конгресс “Информационные технологии и информационные системы AIS-IT’ 17”, Дивноморское, 11-16 сентября 2017, 2017
  18. Карпова И.П. Хранение и обработка распределенных данных в группе мобильных роботов //Информацилнные технологии, 2018
  19. Кулинич А.А. Когнитивная архитектура качественного интеллектуального агента //Конгресс по интеллектуальным и информационным технологиям AIS-IT’17. Труды конгресса по интеллектуальным системам и информационным технологиям «AIS-IT’17». Научное издание в Х-х томах., Таганрог: >ЮФУ, 2017
  20. Кулинич А.А. Модель командного поведения агентов в качественной семиотической среде. Часть 1. Качественная среда функционирования. Основные определения и постановка задачи //Искусственный Интеллект И Принятие Решений, 2017
  21. Кулинич А.А. Модель командного поведения агентов в качественной семиотической среде. Часть 2. Модели и алгоритмы формирования и функционирования команд агентов //Искусственный Интеллект И Принятие Решений, 2017
  22. Кулинич А.А. Модель командной работы агентов с BDI архитектурой //Пятнадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2016), Смоленск: , 2016
  23. Кулинич А.А. Стайные алгоритмы формирования и функционирования команд агентов //Конгресс по интеллектуальным и информационным технологиям IS and IT’ 16. Труды конгресса по интеллектуальным системам и информационным технологиям «AIS-IT’ 16». Научное издание в 3-х томах., Таганрог: Из-во ЮФУ, 2016, 1, с.301-310
  24. Кулинич А.А. Стайные алгоритмы формирования и функционирования команд агентов //Международный конгресс «Информационные технологии и информационные системы», Дивноморское: , 2016
  25. Ровбо М.А., Малышев А.А. Комплекс для изучения энергетически автономных коллективов роботов //Открытое образование, 2017, с.68-77
  26. Ровбо М.А., Овсянникова Е.Е., Чумаченко А.А. Обзор средств имитационного моделирования коллективов роботов с элементами социальной организации //Международный журнал «Программные продукты и системы» №3, 2017, 30, с.425-434
  27. Ровбо М.А., Овсянникова Е.Е. Simulating robot groups with elements of a social structure using KVORUM //6th International Young Scientists Conference in HPC and Simulation, YSC 2017, 1-3 November 2017, Kotka, Finland, 2017
  28. Ровбо М.А., Сорокоумов П.С. Архитектура системы управления интеллектуальным агентом на основе семиотической сети //Открытое образование №22, Москва: , 2018, с.84-93
  29. Ровбо М.А. Программа планирования движения робота с целями и опасностями на основе заряженных частиц и феромона //Номер 2016662510, 18 октября 2016
  30. Ровбо М.А. Распределение ролей в гетерогенном муравьино-подобном коллективе //Пятнадцатая национальная конференция по искусственному интеллекту с международным участием (КИИ-2016), Смоленск: , 2016, 2, с.363–371
  31. Тарасов В.Б. От спецификации когнитонов и инженерии интенций к обобщенной архитектуре деятельности агентов //Гибридные и синергетические интеллектуальные системы. Материалы III-й Всероссийской Поспеловской конференции, Светлогорск, Калининградская область: Изд-во БФУ им. И.Канта, 2016, с.94-114
  32. Тарасов В.Б. Цветные ресурсно-целевые сети: приложение к задаче понимания поведения взаимодействующих агентов //Нечеткие системы, мягкие вычисления и интеллектуальные технологии. Труды VII-й Всероссийской научно-практической конференции (НСМВИТ-2017, Санкт-Петербург, 3-7 июля 2017г.), СПб: Политехника-сервис, 2017, с.146-159