Рассматривается распределение целей в группе мобильных роботов при погрешностях измерения координат, когда решения формируются по наблюдаемым данным и могут терять устойчивость в контуре перепланирования. Цель исследования – разработать двухуровневый алгоритм распределения целей между мобильными роботами при погрешностях измерения координат на основе нейродинамической модели с предварительной настройкой параметров. На каждом цикле перепланирования по наблюдаемым координатам формируется допустимое бинарное назначение «робот-цель» при ограничениях «не более одного». Оптимизационный критерий на каждом цикле вычисляется по наблюдаемым координатам. На нижнем уровне используется модифицированная нейросеть Хопфилда, а на верхнем уровне выполняется настройка параметров по выборке сценариев неопределенности. В вычислительных экспериментах оценены устойчивость к шуму наблюдений и масштабируемость при росте размерности задачи. Выполнено сравнение с классическим вариантом и проведена иллюстрация работы алгоритма по циклам перепланирования на траекториях роботов. Отдельно показана воспроизводимость процедуры назначения при повторных реализациях шумовых возмущений. Установлено, что предложенная двухуровневая схема позволяет уменьшить ожидаемую суммарную длину перемещений при сохранении малого времени вычислений на имитационной модели, что важно для типовых прикладных сценариев управления.
The paper considers goal assignment in a group of mobile robots under coordinate measurement errors, where decisions are made from observed data and may lose stability within the replanning loop. The study proposes a two-level goal assignment algorithm based on a neurodynamic model with preliminary parameter tuning. At each replanning cycle, the observed coordinates are used to construct a feasible binary robot-to-goal assignment subject to at-most-one constraints. The optimization criterion at each cycle is evaluated from the observed coordinates. A modified Hopfield neural network is used at the lower level, whereas the upper level tunes the parameters using a sample of uncertainty scenarios. Computational experiments evaluate robustness to observation noise and scalability as the problem dimension increases. The proposed approach is compared with the classical variant, and the behavior of the algorithm over successive replanning cycles is illustrated by robot trajectories. The reproducibility of the assignment procedure under repeated noise realizations is also examined. The results show that the proposed two-level scheme reduces the expected total travel distance while maintaining low computation time in simulation, which is important for practical control applications.
1. Siciliano B., Villani L., Oriolo G., De Luca A. Foundations of Robotics. Cham: Springer, 2025. 719 p. URL: https://link.springer.com/book/10.1007/978-3-031-85523-8 (дата обращения: 04.02.2026). DOI: 10.1007/978-3-031-85523-8. ISBN 978-3-031-85522-1.
2. Kala R. Autonomous Mobile Robots: Planning, Navigation and Simulation. 1st ed. Elsevier, 2023. [Электронный ресурс]. URL: https://shop.elsevier.com/books/autonomous-mobile-robots/kala/978-0-443-18908-1 (дата обращения: 04.03.2026). ISBN 978-0-443-18908-1 (print), 978-0-443-18909-8 (eBook).
3. Chen W., Chi W., Ji S., Ye H., Liu J., Jia Y., Yu J., Cheng J. A survey of autonomous robots and multi-robot navigation: Perception, planning and collaboration // Biomimetic Intelligence and Robotics. 2025. Vol. 5. Is. 2. 100203. DOI: 10.1016/j.birob.2024.100203.
4. Kazerouni I. A., Fitzgerald L., Dooly G., Toal D. A survey of state-of-the-art on visual SLAM // Expert Systems with Applications. 2022. Vol. 205. Art. 117734. DOI: 10.1016/j.eswa.2022.117734.
5. Hopfield J. J., Tank D. W. “Neural” Computation of Decisions in Optimization Problems // Biological Cybernetics. 1985. Vol. 52. Is. 3. P. 141–152. URL: https://doi.org/10.1007/BF00339943 (дата обращения: 04.02.2026). DOI: 10.1007/BF00339943.
6. Wang J., Wang J., Han Q.-L. Multivehicle Task Assignment Based on Collaborative Neurodynamic Optimization with Discrete Hopfield Networks // IEEE Transactions on Neural Networks and Learning Systems. 2021. Vol. 32. № 12. P. 5274–5286. DOI: 10.1109/TNNLS.2021.3082528.
7. Rbihou S., Joudar N.-E., Haddouch K. Parameter tuning of continuous Hopfield network applied to combinatorial optimization // Annals of Mathematics and Artificial Intelligence. 2024. Vol. 92. P. 257–275. DOI: 10.1007/s10472-023-09895-6.
8. Liu S., Zhang Y., Tang K., Yao X. How Good Is Neural Combinatorial Optimization? A Systematic Evaluation on the Traveling Salesman Problem // IEEE Computational Intelligence Magazine. 2023. Vol. 18. Is. 3. P. 14–28. DOI: 10.1109/MCI.2023.3277768.
9. Bozek P., Karavaev Y. L., Ardentov A. A., Yefremov K. S. Neural network control of a wheeled mobile robot based on optimal trajectories // International Journal of Advanced Robotic Systems. 2020. Vol. 17. Is. 2. P. 1–10. DOI: 10.1177/1729881420916077.
10. Даринцев О. В., Мигранов А. Б. Модификация аппарата нейронной сети Хопфилда для решения задачи оптимального распределения заданий в группе мобильных роботов // Известия РАН. Теория и системы управления. 2024. № 2. С. 169–182. URL: https://journals.rcsi.science/0002-3388/article/view/264498 (дата обращения: 04.03.2026). DOI: 10.31857/S0002338824020145. EDN: VOAXOI.
11. Song P., Chen H., Cui K., Wang J., Shi D. Meta-learning for dynamic multi-robot task scheduling // Computers & Operations Research. 2025. Vol. 182. Art. 107109. DOI: 10.1016/j.cor.2025.107109.
12. Choudhury S., Gupta J. K., Kochenderfer M. J., Sadigh D., Bohg J. Dynamic multi-robot task allocation under uncertainty and temporal constraints // Autonomous Robots. 2022. Vol. 46. Is. 1. P. 231–247. DOI: 10.1007/s10514-021-10022-9.
13. Goarin M., Loianno G. Graph Neural Network for Decentralized Multi-Robot Goal Assignment // IEEE Robotics and Automation Letters. 2024. Vol. 9. Is. 5. P. 4051–4058. DOI: 10.1109/LRA.2024.3371254.
14. Dokeroglu T., Kucukyilmaz T., Talbi E.-G. Hyper-heuristics: A survey and taxonomy // Computers & Industrial Engineering. 2024. Vol. 187. Art. 109815. DOI: 10.1016/j.cie.2023.109815.
15. Мигранов А. Б. Модифицированные эвристические алгоритмы распределения заданий для групп мобильных роботов в условиях неопределенности // Информатика и автоматизация. 2025. Т. 24. № 3. С. 884–913. DOI: 10.15622/ia.24.3.6. URL: https://ia.spcras.ru/index.php/sp/article/view/17039 (дата обращения: 04.03.2026).
16. Мигранов А. Б. Программная реализация гибридного нейродинамического алгоритма распределения заданий в группах мобильных роботов при неопределенности наблюдений // GitHub. Release v1.0-paper-code. 2026. URL: https://github.com/automan02/Hyper/releases/tag/v1.0-paper-code (дата обращения: 02.04.2026).