Uma Revisão da Teoria do Campo Médio para o Problema do Alvo Comum em Enxames Robóticos
DOI:
https://doi.org/10.5433/1679-0375.2025.v46.53577Palavras-chave:
enxames de robôs, teoria de campo médio, problema do alvo comum, equações diferenciaisResumo
Esta revisão fornece uma visão geral da literatura sobre o uso da Teoria de Campo Médio (Mean-Field Theory — MFT) para modelar as estimativas de desempenho de algoritmos que resolvem o problema do alvo comum na navegação de enxames robóticos. Este problema envolve a coordenação de múltiplos robôs convergindo simultaneamente em direção a um único alvo, o que pode resultar em congestionamento e desempenho degradado. Seu principal objetivo é minimizar o tempo máximo necessário para que todos os robôs cheguem ao alvo e retornem. O desafio está em garantir uma coordenação eficaz entre os robôs para evitar conflitos e otimizar a utilização de recursos. MFT pode prever com precisão métricas de navegação, como tempos de chegada e partida dos agentes, densidade de localização do alvo e rendimento do sistema sob congestionamento e possibilitar estratégias de controle baseadas na utilização de feedback distribuído. A visão geral da literatura ilustra que a MFT fornece uma ferramenta matemática eficaz e promissora para mitigar os problemas de alta dimensionalidade e complexidade das interações presentes em sistemas compostos por um grande número de agentes.
Downloads
Referências
Auricchio, F., Toscani, G., & Zanella, M. (2022). Fokker-Planck Modeling of Many-Agent Systems in Swarm Manufacturing: Asymptotic Analysis and Numerical Results. ResearchGate. https://doi.org/10.13140/RG.2.2.25950.72006
Bensoussan, A., Huang, T., & Laurière, M. (2018). Mean field control and mean field game models with several populations. arXiv, 2, 1–32. https://doi.org/10.48550/arXiv.1810.00783
Bensoussan, A., Frehse, J., & Yam, P. (2013). Mean Field Games and Mean Field Type Control Theory. Springer. https://doi.org/10.1007/978-1-4614-8508-7
Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. https://doi.org/10.1086/393972
Bonnet, B. (2019). Optimal Control in Wasserstein Spaces. [Theses, Aix-Marseille Universite]. https://hal.science/tel-02361353
Burger, M., Di Francesco, M., Markowich, P. A., & Wolfram, M.-T. (2014). Mean Field Games with Nonlinear Mobilities in Pedestrian Dynamics. Discrete and Continuous Dynamical Systems - B, 19(5), 1311–1333. https://doi.org/10.3934/dcdsb.2014.19.1311
Carmona, R., & Delarue, F. (2018). Probabilistic Theory of Mean Field Games with Applications I-II. Springer. https://doi.org/10.1007/978-3-319-58920-6
Couzin, I. D., Krause, J., James, R., Ruxton, G. D., & Franks, N. R. (2002). Collective Memory and Spatial Sorting in Animal Groups. Journal of Theoretical Biology, 218(1), 1–35. https://doi.org/10.1006/jtbi.2002.3065
Cui, K., Li, M., Fabian, C., & Koeppl, H. (2023). Scalable task-driven robotic swarm control via collision avoidance and learning mean-field control. In 2023 IEEE International Conference on Robotics and Automation (ICRA). International Conference on Robotics and Automation, London, United Kingdom. https://doi.org/10.1109/ICRA48891.2023.10161498
Dogbé, C. (2010). Modeling Crowd Dynamics by the Mean-Field Limit Approach. Mathematical and Computer Modelling, 52(9), 1506–1520. https://doi.org/10.1016/j.mcm.2010.06.012
Elamvazhuthi, K., & Berman, S. (2019). Mean-Field Models in Swarm Robotics: A Survey. Bioinspiration & Biomimetics, 15(1), 015001. https://doi.org/10.1088/1748-3190/ab49a4
Elamvazhuthi, K., Kakish, Z., Shirsat, A., & Berman, S. (2021). Controllability and Stabilization for Herding a Robotic Swarm Using a Leader: A Mean-Field Approach. IEEE Transactions on Robotics, 37(2), 418–432. https://doi.org/10.1109/TRO.2020.3031237
Estrada-Rodriguez, G., & Gimperlein, H. (2020). Interacting Particles with Lévy Strategies: Limits of Transport Equations for Swarm Robotic Systems. SIAM Journal on Applied Mathematics, 80(1), 476–498. https://doi.org/10.1137/18M1205327
Hazra, G., Nandy, D., Kitchatinov, L., & Choudhuri, A. R. (2023). Mean Field Models of Flux Transport Dynamo and Meridional Circulation in the Sun and Stars. Space Science Reviews, 219(5). https://doi.org/10.1007/s11214-023-00982-y
Huang, H., & Liu, J.-G. (2020). On the Mean-Field Limit for the Vlasov–Poisson–Fokker–Planck System. Journal of Statistical Physics, 25(12), 1915–1965. https://doi.org/10.1007/s10955-020-02648-3
Huang, M., Malhamé, R., & Caines, P. (2006). Large population stochastic dynamic games: Closed-loop mckean–vlasov systems and the nash certainty equivalence principle. Communications in Information and Systems, 6(3), 221–252. https://doi.org/10.4310/CIS.2006.v6.n3.a5
Karafyllis, I., Jiang, Z.-P., & Athanasiou, G. (2010). Nash equilibrium and robust stability in dynamic games: A small-gain perspective. Computers & Mathematics with Applications, 60(11), 2936–2952. https://doi.org/10.1016/j.camwa.2010.09.054
Lasry, J. M., & Lions, P.-L. (2007). Mean Field Games. Japanese Journal of Mathematics, 2, 229–260. https://doi.org/10.1007/s11537-007-0657-8
Ménec, S. L. (2024). Swarm guidance based on mean field game concepts. International Game Theory Review, 26(2), 244008. https://doi.org/10.1142/S0219198924400085
Ornia, D. J., Zufiria, P. J., & Mazo, M. Jr. (2022). Mean Field Behavior of Collaborative Multiagent Foragers. IEEE Transactions on Robotics, 38(4), 2151–2165. https://doi.org/10.1109/TRO.2022.3152691
Passos, Y. T., Duquesne, X., & Marcolino, L. S. (2023). Congestion control algorithms for robotic swarms with a common target based on the throughput of the target area. Robotics and Autonomous Systems, 159, 104284. https://doi.org/10.1016/j.robot.2022.104284
Thouless, D. J., Anderson, P. W., & Palmer, R. G. (1977). Solution of ’Solvable Model of a Spin Glass’. The Philosophical Magazine: A Journal of Theoretical Experimental and Applied Physics, 35(3), 593–601. https://doi.org/10.1080/14786437708235992
Vicsek, T., Czirók, A., Ben-Jacob, E., Cohen, I., & Shochet, O. (1995). Novel Type of Phase Transition in a System of Self-Driven Particles. Physical Review Letters, 75(6), 1226–1229. https://doi.org/10.1103/PhysRevLett.75.1226
Yang, Y., Luo, R., Li, M., Zhou, M., Zhang, W., & Wang, J. (2018). Mean Field Multi-Agent Reinforcement Learning. In J. Dy & A. Krause (Eds.) Proceedings of the 35th International Conference on Machine Learning (pp. 5571–5580, Vol. 80). PMLR.
Zheng, T., Han, Q., & Lin, H. (2022). Transporting Robotic Swarms via Mean-Field Feedback Control. IEEE Transactions on Automatic Control, 67(8), 4170–4177. https://doi.org/10.1109/TAC.2021.3108672
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Yuri Tavares dos Passos, João Victor Neves de Souza Nunes
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
