Control of Artificial Swarms with DDDAS

R  Ryan  McCune  &  Greg  Madey    

Department  of  Computer  Science  &  Engineering,  University  of  Notre  Dame  2014  InternaConal  Conference  on  ComputaConal  Science  Dynamic  Data-­‐Driven  ApplicaCon  Systems  (DDDAS)  Track  

June  10,  2014  Cairns,  Australia  

 

Overview •  Mo#va#ng  problem  –  UAVs  •  Solu#on  –  Swarm  Intelligence  •  Approach  –  DDDAS  •  Framework  for  swarm  control  with  DDDAS  •  Applica#on  example  – Swarm  intelligent  ant  foraging  – UAV  clustering  

1

Operator Overload •  Unmanned  Aerial  Vehicles  (UAVs)  – No  on-­‐board  pilot  – Intelligence,  Surveillance,  and  Reconnaissance  (ISR)  missions  – Becoming  smaller  and  cheaper  with  increased  capabili#es  

•  How  to  efficiently  operate  many  UAVs?  

2

Swarm Intelligence •  Biologically  inspired  – Ant  colonies,  flocks  of  birds,  fish  

•  Emergent  phenomena  –  Simple,  local  behavior  of  agents  –  Complex,  global  behavior  of  system  

•  Self-­‐organiza#on  – Decentralized  

•  Emergent  behavior  solves  problems  

3

DDDAS •  Entails:  – Dynamic  incorpora#on  of  addi#onal  data  into  execu#ng  simula#on  

– Simula#on  results  control  measurement  process  

•  Symbio#c  feedback  loop  •  Improved  predic#ve  capabili#es    

4

UAVs  (Sensors)  

Sim  (App)  

Sensor  Data  

Control  

UAV  Swarm  Applica#on  

Framework for Swarm Control with DDDAS •  Swarm  Applica#on  Architecture  – One  (or  few)  agent  parameters  – Swarm  performance  reported  by  single  sta#s#c  

•  Feedback  Control  Loop  – Calibrate  with  real-­‐#me  data  – Sweep  of  parameters  – Op#miza#on  via  simula#on  

5

Swarm Application Architecture

6

DDDAS Feedback Control Loop

7

Example – General Ant Foraging

8

•  Ants  search  for  food  to  bring  back  to  nest  

•  Randomly  search  environment  •  Deposit  pheromones  while  searching  – Likely  to  follow  pheromones  – Random  Ac#on  Probability  (RAP)  

•  Shortest  path  emerges  

RAP  =  ρ  

1  –  ρ  Follow  highest  pheromone    

ρ  Random  direc#on  

Ant Foraging - An Implementation[1] •  Ants  deposit  2  pheromones  – Green  lead  to  home,  deposit  while  foraging  – Blue  lead  to  food,  deposit  while  returning  home  

 

9

[1]  Panait,  Liviu,  and  Sean  Luke.  "A  pheromone-­‐based  u#lity  model  for  collabora#ve  foraging."  Proceedings  of  the  Third  Interna#onal  Joint  Conference  on  Autonomous  Agents  and  Mul#agent  Systems-­‐Volume  1.  IEEE  Computer  Society,  2004.  

•  1  ant  hill  –  Sta#onary  

•  1  food  –  Unlimited  

•  Many  ants  

10

[1]  Panait,  Liviu,  and  Sean  Luke.  "A  pheromone-­‐based  u#lity  model  for  collabora#ve  foraging."  Proceedings  of  the  Third  Interna#onal  Joint  Conference  on  Autonomous  Agents  and  Mul#agent  Systems-­‐Volume  1.  IEEE  Computer  Society,  2004.  

Ant  Hill  

Food  

Swarm Clustering •  Adapted  from  ant  foraging  – Many  food  instead  of  1  food  – Many  ant  hills  instead  of  1  ant  hill  •  Ant  hills  can  move  (right)  

– Only  1  pheromone  type,  not  2  •  Deposit  when  looking  for  food  •  Follow  to  return  to  ant  hill  •  No  pheromone  leads  to  food  •  Once  any  food  is  found  randomly,        pheromone  leads  to  nearest  ant  hill  

11

1.  Ant  finds  food  

2.    Ant  returns  to  nest  

3.  Nest  moves  closer                      to  food  

12

Tanker  Moves  

Behavior

13

Simulation Snap-Shots •  Swarm  clustering  simula#on  

•  Voronoi  diagram  overlay  – Tankers  as  seed  points  

•  Ants  are  dots  

Swarm Application Architecture

14

•  Swarm  parameter    – Random  Ac#on  Probability  (RAP)  

•  Performance  sta#s#c  – Pheromone  concentra#on  Variance  

Swarm Clustering with DDDAS

15

Conclusions •  Swarm  intelligence  to  control  UAVs  •  U#lize  DDDAS  paradigm  for  improved  capability  

•  Introduce  framework  for  swarm  control  with  DDDAS  

•  Swarm  clustering  example  applica#on  

16

Acknowledgements •  Air  Force  Office  of  Scien#fic  Research  (AFOSR)  DDDAS  program  award  #  FA9550-­‐11-­‐1-­‐0351  

•  GAANN  Fellowship  provided  by  the  Department  of  Educa#on  – Managed  by  the  University  of  Notre  Dame  Computer  Science  Department  

17