Distributed fault detection in swarm robotic systems using a machine learning approach

A Swarm Robotic System (SRS) is a distributed multi-agent system composed of relatively simple robots. Local decisions and communication between robots allow for the emergence of complex behaviors of the entire SRS. The distributed nature of the SRSs enables their use in many real-world applications; however, it has been proven that even a few faulty robots could considerably hinder the work of the entire SRS. In this thesis, we propose a distributed fault detection approach that exploits machine learning methods to allow each robot of the SRS to detect faults in other robots and/or in itself. Designing a fault detection approach requires domain knowledge about the environment, the robots, and the task; this knowledge supports decisions regarding different aspects of the fault detection approach. However, real-world applications could be very complex, making it complicated to obtain domain knowledge; while, in recent years, storing data has become faster and cheaper, and the machine learning field has grown considerably. Therefore, the proposed fault detection approach heavily relies on data to reduce the prior domain knowledge required to design it: the machine learning methods obtain knowledge on the problem from the data. We test the proposed fault detection approach in simulation and analyze the results using nonparametric statistical tests. The analysis highlights that it has good performance and is robust w.r.t. changes in the number of faulty robots in the SRS. While these results are promising, we suggest further studies that are necessary before implementing the proposed fault detection approach in real-world applications.

Uno Swarm Robotic System (SRS) è un sistema distribuito multi-agente composto da robot relativamente semplici. I comportamenti individuali e la comunicazione locale fra i robot fanno emergere comportamenti complessi da parte dell’intero SRS. La natura distribuita degli SRS permette il loro utilizzo in diverse applicazioni nel mondo reale; tuttavia è stato dimostrato che pochi robot difettosi possono intralciare considerevolmente il funzionamento dell’intero SRS. In questa tesi, proponiamo un approccio distribuito al rilevamento di guasti e malfunzionamenti che usa metodi di apprendimento automatico per permettere a ciascun robot dell’SRS di rilevare guasti negli altri robot e/o in se stesso. Progettare un approccio al rilevamento di guasti richiede in generale informazioni esplicite su ambiente, robot e incarico; queste informazioni supportano decisioni riguardo diversi aspetti dell'approccio. Tuttavia, le applicazioni nel mondo reale potrebbero essere molto complesse, rendendo complicato ottenere informazioni. Fortunatamente negli ultimi anni memorizzare dati è diventato sempre più veloce ed economico, inoltre il campo dell’apprendimento automatico è cresciuto considerevolmente. Perciò, l'approccio al rilevamento di guasti proposto in questa tesi dipende fortemente dai dati per ridurre le informazioni esplicite richieste per progettarlo: i metodi di apprendimento automatico ottengono informazioni sul problema a partire dai dati. L’approccio è testato in simulazione e i risultati sono analizzati usando test statistici non parametrici. Queste analisi evidenziano che l’approccio proposto ha delle buone prestazioni rispetto allo stato dell'arte ed è robusto rispetto ai cambiamenti nel numero di robot difettosi nell’SRS. Anche se questi risultati sono promettenti, suggeriamo ulteriori studi da eseguire prima di poter implementare l’approccio proposto in applicazioni nel mondo reale.