Skalowalność systemu

Skalowalność systemu jest rozumiana jako zdolność do przetwarzania większej ilości za-dań ustalonego rodzaju. W przypadku badanego systemu zarządzającego ruchem robotów wyróżnić można dwa podstawowe kierunki zwiększania skali:

• zwiększanie rozmiarów środowiska działania robotów, • zwiększanie liczby robotów.

Zrealizowany system pozwala na rozbudowę środowiska o nowe w trakcie działania systemu, bez konieczności zatrzymywania żadnych jego elementów. Możliwość zwiększa-nia rozmiarów środowiska jest praktycznie nieograniczona. Wynika to ze sposobu realizacji podsystemu planowania trasy, który jest realizowany przez grupę agentów MSA. Może być z powodzeniem rozpraszany pomiędzy wiele komputerów, dzięki czemu nie wprowa-dza ograniczenia rozmiarów obsługiwanego środowiska. Pozostałe komponenty systemu są praktycznie niezależne od rozmiarów środowiska. W przeprowadzonych badaniach wyko-rzystano środowiska składające się z 30, 60 oraz 120 pokoi. Wyniki pomiarów nie wykazały zależności pomiędzy rozmiarem środowiska, a poprawnością czy skutecznością działania systemu.

Przyjętą miarą skalowalności systemu, ze względu na liczbę robotów działających jed-nocześnie w środowisku, jest skuteczność działania systemu, która została zdefiniowana w rozdziale 9.3. Wraz ze wzrostem liczby robotów skuteczność będzie się zmniejszać, ponie-waż roboty działające we wspólnym środowisku wzajemnie wpływają na swoje trajektorie. Ważne jednak, by zależność skuteczności od liczby robotów była liniowa. Zakładając, że danym środowisku średnia liczba robotów w pokoju nie jest większa od 3, wartość skutecz-ności powinna być równa co najmniej połowie maksymalnej osiągalnej skuteczskutecz-ności.

Opisane w rozdziałach 9.3 oraz 9.4 badania wykazały, że podstawowa wersja syste-mu wraz z algorytmem równoważenia obciążenia może nie być dostatecznie skalowalna w pewnych typach środowisk. Zwiększanie liczby robotów w środowiskach, w których duże

fragmenty połączone są pojedynczym przejściem, powoduje gwałtowny, nieliniowy spadek skuteczności systemu.

W celu poprawienia skuteczności działania systemu w zastosowaniu do środowiska wi-docznego na rysunku 9.6b, dodano agenta AMA, który zarządzał ruchem w przejściu łą-czącym lewą i prawą cześć środowiska. Własności zrealizowanego systemu pozwoliły na dodanie agenta AMA w trakcie działania systemu, bez konieczności zatrzymywania pozo-stałych elementów. Dodany agent AMA stosował algorytm kontroli kolejności i ustawiał roboty w cztery kolejki, po dwie z każdej strony przejścia.

Rysunek 9.22: Wizualizacja układu robotów w środowisku złożonym z 60 pokoi dla grupy 60 robotów. Stan po stu sekundach działania systemu.

Rysunek 9.22 prezentuje układ grupy 60 robotów po 100 sekundach od utworzenia agenta AMA. W porównaniu do układu widocznego na rysunku 9.9 widać znacznie lepszą organizację działania robotów. W okolicy kluczowego przejścia zgromadzonych jest jedynie kilka robotów, podczas gdy pozostałe przemieszczają się w innych fragmentach środowiska. Zastosowanie agenta AMA zarządzającego ruchem w przejściu pomiędzy częściami środo-wiska znacznie zwiększyło liczbę robotów pokonujących przejście w jednostce czasu. Dzięki temu ruch wszystkich robotów był znacznie bardziej płynny.

Wyniki pomiarów skuteczności tak skonfigurowanego systemu prezentuje rysunek 9.23. Dla porównania na tym samym wykresie zaprezentowano również wyniki uzyskane podczas przeprowadzania analogicznego eksperymentu bez zastosowania agenta AMA. Zależność skuteczności systemu od liczby robotów jest bliska liniowej, a jej wartość jest zadowalająca, nawet dla licznych grup robotów.

W celu potwierdzenia możliwości skalowalności zrealizowanego systemu przeprowadzo-no testy z wykorzystaniem dwukrotnie większego środowiska, złożonego ze 120 pokoi. Dzia-łały w nim grupy robotów o liczebności od 40 do 400. Układu pokoi w środowisku oraz skonstruowany grafowy model są widoczne po lewej stronie rysunku 9.24.

Przeprowadzone zostały trzy serie testów, podczas których mierzono skuteczność dzia-łania systemu. Podobnie jak w poprzednich testach, w każdej serii badano zależność po-między liczbą robotów a skutecznością dla:

Rysunek 9.23: Skuteczność działania zintegrowanego systemu nawigacji, w zależności od liczby robotów, w środowisku złożonym z 60 pokoi.

• podstawowej wersji systemu,

• podstawowej wersji z uruchomionym algorytmem równoważenia obciążenia,

• wersji zintegrowanej z czterema agentami AMA, które zarządzały ruchem w okolicach połączeń pomiędzy segmentami środowiska.

Rysunek 9.24: Po lewej: schemat środowiska złożonego ze 120 pokoi oraz jego grafowy model; po prawej: układ grupy 120 robotów w środowisku po 100 sekundach testu zinte-growanego systemu zarządzania ruchem.

W celu poprawienia wydajności oprogramowania symulacyjnego, symulację przestrze-ni rzeczywistej prowadzono z wykorzystaprzestrze-niem 4 komputerów klasy PC (specyfikacja w dodatku A.1). Pozwoliło to na prowadzenie dostatecznie dokładnych obliczeń w czasie rzeczywistym – upływ czasu w symulowanym środowisku był taki jak w rzeczywistości.

System agentowy zarządzający ruchem robotów uruchomiono na dwóch komputerach. Na jednym pracowały agenty AMA oraz MSA, na drugim agenty TExMA oraz RWA.

Na rysunku 9.24 po prawej stronie widoczny jest układ 120 robotów po 100 sekundach trwania eksperymentu. Zauważyć można, że w okolicach wąskich przejść gromadzą się jedynie nieliczne roboty, a ruch pozostałych jest płynny. Wyniki pomiarów skuteczności działania systemu prezentuje rysunek 9.25

Rysunek 9.25: Porównanie zaleznosci pomiędzy liczebnością grupy robotów a skutecznością działania różnych konfiguracji systemu zarządzającego ruchem.

Wyniki uzyskane podczas testowania podstawowej wersji systemu są dalekie od zado-walających. Skuteczność jest bardzo niska już dla stosunkowo niewielkiego zagęszczenia robotów w środowisku. Jest to spowodowane powstawaniem zatoru w okolicy jednego z przejść łączących segmenty środowiska. W poszczególnych eksperymentach różne przej-ścia były przyczyną powstawania zatoru, jednak zawsze jeden zator gromadził większość robotów działających w środowisku.

Algorytm równoważenia obciążenia sprawdza się w przypadku testowanego środowiska znacznie lepiej, niż w przypadku środowiska złożonego z dwóch segmentów połączonych jednym przejściem. W testowanym środowisku występują cztery przejścia pomiędzy parami segmentów, dzięki czemu algorytm równoważenia może wytyczy trasę omijającą największy zator. Wpływa to bardzo wyraźnie na skuteczność systemu.

Po uruchomieniu czterech agentów AMA udało się uzyskać pożądaną charakterystykę zależności skuteczności od liczby robotów. Jest ona bliska liniowej, a wartości skuteczności są dostatecznie duże.