Toward Task Capable Active Matter: Learning to Avoid Clogging in Confined Collectives via Collisions

要約

トンネルとチャンバーで構成される巣を構築する社会生物は、必然的に閉じ込められた混雑した状態をナビゲートします。
流体力学的および統計的現象が支配する鳥の群れや昆虫の群れなどの低密度の集団とは異なり、高密度集団の詰まり行動を理解するためには、メガネと超冷却液の物理学が重要です。
私たちの以前の研究では、閉じ込められたトンネルに流れる火アリが、不平等なワークロード分布、自発的方向の反転、および詰まりと詰まりを緩和し、したがって機能的な流れを維持するための限られた相互作用時間などの多様な行動を利用することを明らかにしました。
小さなロボ物理学の群れでの同様のルールの実装は、詰まりとクラスターの自発的な溶解を通じて高性能につながりました。
しかし、昆虫がそのような行動をどのように学ぶか、そして私たちがそのようなレジームで「タスクに対応する」アクティブな物質を開発する方法は、相互作用のダイナミクスがローカルで時間のかかる衝突によって支配され、単一のエージェントが集合全体を導くことができないため、一部は課題のままです。
ここでは、効果的な流れと詰まり緩和が地元の学習を通じて純粋に現れる可能性があると仮定しました。
私たちは、狭いトンネルでペレットの掘削を伴うロボットの小さなグループに任務を負い、時間の経過とともに反転確率を変更できるようにしました。
当初、ロボットには平等な確率があり、詰まりが一般的でした。
反転によりフローが改善されました。
衝突と騒々しいトンネルの長さの推定を介して逆転確率が適合すると、ワークロードの不平等とパフォーマンスが向上しました。
掘削群のロボディジカル研究は、タスクの複雑さと難しさがあると思われるにもかかわらず、単純な学習ルールがタスクに対応できる密な活性物質で避けられない機能を緩和または活用し、密集した生物学的およびロボット群の仮説につながることを示しています。

要約(オリジナル)

Social organisms which construct nests consisting of tunnels and chambers necessarily navigate confined and crowded conditions. Unlike low-density collectives like bird flocks and insect swarms, in which hydrodynamic and statistical phenomena dominate, the physics of glasses and supercooled fluids is important to understand clogging behaviors in high-density collectives. Our previous work revealed that fire ants flowing in confined tunnels utilize diverse behaviors like unequal workload distributions, spontaneous direction reversals, and limited interaction times to mitigate clogging and jamming and thus maintain functional flow; implementation of similar rules in a small robophysical swarm led to high performance through spontaneous dissolution of clogs and clusters. However, how the insects learn such behaviors, and how we can develop ‘task capable’ active matter in such regimes, remains a challenge in part because interaction dynamics are dominated by local, time-consuming collisions and no single agent can guide the entire collective. Here, we hypothesized that effective flow and clog mitigation could emerge purely through local learning. We tasked small groups of robots with pellet excavation in a narrow tunnel, allowing them to modify reversal probabilities over time. Initially, robots had equal probabilities and clogs were common. Reversals improved flow. When reversal probabilities adapted via collisions and noisy tunnel length estimates, workload inequality and performance improved. Our robophysical study of an excavating swarm shows that, despite the seeming complexity and difficulty of the task, simple learning rules can mitigate or leverage unavoidable features in task-capable dense active matter, leading to hypotheses for dense biological and robotic swarms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google