Analysis for Swarm Robot Coordination using

Fuzzy Logic

Ade Silvia Handayani1, *Siti Nurmaini2, Irsyadi Yani3, Nyayu Latifah Husni4
1,4Dept. Electrical Engineering the Polytechnic Sriwijaya, 2Faculty of Computer Science, Sriwijaya
University, 3Faculty of Engineering, Sriwijaya University
*Corresponding author, e-mail: siti_nurmaini@unsri.ac.id

Abstrak

Pada paper ini, menganalisis koordinasi antara individu robot swarm dalam berkomunikasi untuk
menjaga jarak aman antar robot. Setiap robot mengkoordinasikan gerakannya sendiri dalam menghindari
rintangan dan saling tidak bertabrakan untuk tujuan bergerak secara beriringan. Dua jenis evaluasi kinerja
yang dianalisis dalam makalah ini, yaitu koordinasi antara robot untuk melakukan perilaku kolektif yang
dapat bergerak ke arah yang sama dan komunikasi antara robot untuk bertukar informasi dalam penentuan
jarak aman. Dalam mengendalikan koordinasi gerak, masing-masing robot terdapat sensor yang
menyediakan beberapa masukan tentang lingkungan disekitar robot, dengan menggunakan logika fuzzy.
Pengendalian logika fuzzy dalam makalah ini memungkinkan input yang tidak pasti, dan menghasilkan
perintah terbatas untuk mengontrol arah gerak dengan pengaturan kecepatan sesuai dengan kondisi
lingkungan. Pada percobaan ini ukuran lingkungan berpengaruh terhadap koordinasi robot untuk bergerak
bersama.

Kata kunci: komunikasi, koordinasi, fuzzy logic, robot berkelompok

Abstract

In this paper,

Keywords: communication, coordination, fuzzy logic, swarm robot

1. Introduction
Coordination the movement of groups of robots represents a basic problem in swarm robotics.
Each robot shares information about the environment and individual members interact with each other. In
swarm robot coordination system where robots will complete a common task, it is significant to have a
better communication among robots [1]. It is a novel approach to the coordination of large numbers of team
robots. For interaction of the swarm robots, the communication between robots is important to carry out.
One of the robots can transmit information to other robots [2][3].
The communication system must form a communication network among individu of swarm robots
for detecting which robots are near or far from them, sending and receiving information among those within
the communication range, and performing a task collectively. Networked swarm robots can be used for
distributed sensing and estimation in various applications like formation control [4][5], multi target tracking
[6], search and rescue [7], environmental monitoring [8], and field surveillance [9][10], and for large area
monitoring. In both cases, it is important to know their relative positions in order to decide the position the
robot should move to.
In some situations, a possible solution to overcome the robot's coordination is to construct swarm
robots communication. The communication model is an important part in collective behavior. It reveals how
information is transferred in the group. The development of communication networks is described as “one
of the main challenges” in swarm robots. Significant developments in the fields of communication
technology between robots, i.e. wireless technology, embedded devices, and many others, have enabled
the development of autonomous air, ground, or underwater robots. Wireless technologies, such as NFC,
Wi-Fi, Bluetooth, IrDa and ZigBee, enable mobile robots to communicate [9] [10].
 Dalam berkomunikasi, setiap robot harus berkoordinasi untuk menghindari tabrakan antar robot
dan rintangan, menjaga jarak antar robot lain dengan menjaga kecepatan yang tepat dengan robot
terdekat. The distance between the robots is important to achieve coordination and control heading
direction of swarm robots [13]. One approach that can control coordination is fuzzy logic, it has been
successfully and widely used to motion coordination of swarm robots [14]. This technique can shorten the
time and smooth the movement in terms of a very complex system to avoid obstacles [13] [14]. Nowadays,
fuzzy logic is one of the most used methods of computational intelligence and with the best future; this is
possible thanks to the efficiency and simplicity of fuzzy systems since they use linguistic terms similar to
those that human beings use [17][18].
The objective of this paper is to evaluate the performance of communication among mobile robots
in keeping their motion coordination. They should move in the same direction and each robots must
maintain pre-determined positions. Dalam mengendalikan koordinasi gerak, masing-masing robot terdapat
sensor yang menyediakan beberapa masukan tentang lingkungan disekitar robot, dengan menggunakan
logika fuzzy. Masukan tersebut berisi tentang aturan berupa tindakan keluaran yang diambil sebagai
tanggapan untuk input yang dihasilkan, beberapa masukan digabungkan dalam Membership Function
(MF). Dengan control logika fuzzy diharapkan individual swarm robot mampu mengkoordinasikan sistem
sensor, gerakan dan kontrol operasi, agar mencapai tugas dengan benar dan mencapai tujuan yang
ditentukan.

2. Swarm Robots Coordination

In swarm robots coordination, setiap robot harus memiliki kemampuan untuk berkoordinasi dalam
bekerjasama dalam tugas, serta efisien dalam berbagi beban kerja. To achieve such coordination
capabilities, swarm robots has many underlying issues that need to be addressed in order to create a
worthy system. Pada paper [19], permasalahan dalam koordinasi adalah alokasi tugas untuk kelompok
robot. Permasalah tersebut adalah : penggunaan sumber daya; waktu penyelesaian tugas; overhead
komunikasi, choice of sensors, system reliability, and scalability are just some of the most basic issues that
need to be addressed.
In paper Kaminka et al. [20], they defined effectiveness index which can reduce the time and
resources spent coordinating, and maximize the time between conflicts that require coordination. Using
robot-sensor network can be useful for coordinating multiple robots and swarm robots because the network
can support the swarm to share sensor data, track its members, and so forth [21]. Sensor for robot
communication and coordination has been found to increase the lifetimes of networks because the robots
have more capabilities than the sensors and can take on more responsibility from the sensors, allowing the
sensors to reduce their energy use by not having to forward as many packets [22].
Untuk mencapai koordinasi antara robot secara efisien, pada paper Corke et.al [23] robot bekerja
sama dalam jaringan, serta robot berinteraksi dengan jaringan sensor. Dengan kemampuan node sensor
dalam merasakan nilai fungsi sensorik tinggi untuk suatu area, maka akan mendeteksi pengamatan
kepadatan lebih tinggi [24]. Penggunaan jaringan sensor sangat membantu dalam system koordinasi antar
robot untuk saling berkomunikasi.

3. Design and Method Swarm Robot Communication

In this section, it is explained the results of research and at the same time is given the
comprehensive discussion. Results can be presented in figures, graphs, tables and others that make the
reader understand easily. The discussion can be made in several sub-chapters.

3.1. Design Swarm Robot Communication

The development of communication networks is described as “one of the main challenges” in
swarm robots [25]. The communication model is an important element in collective behavior, because it
reveals how information is transferred in the group [26]. The communication models for group behavior in
animals are abundant, i.e. the metric [25] [26], the topological [29], and the visual models [27]. The metric
model is directly based on spatial proximity: two individuals interact if they are within a certain distance of
one another [26]. Ballerini et. al.’s [29] stated that topological model requires each individual can interact
with a finite number of nearest group members. The visual model, which is based on the sensory capabilities
of animals, permits an individual to interact with other agents in its visual field [21].
 The set of metrics is useful to determine the performance of the different algorithms for the
coordination of collective movement. Some of the metrics can be applied only for formations of robots or
for flocking of robots, but not for both problems. It is due to the different nature of them. There are some
metrics that are useful to characterize the type of flock. The set of metrics has been divided into different
subsets, grouping them according to their resemblances. They are defined and discussed in the following
subsections [27].
The topological and visual models are usually used for performing the metric model in reaching the
target. However, there is no clear difference between the visual and topological models. The visual model
latency was substantially lower than the topological and metric models; but, the metric model outperformed
the topological model in terms of the transfer of information.
Selecting a topology that fits the characteristic needs of our swarm robot is an important
consideration. In particular, an interesting problem is how to form and maintain an unbroken communication
network dynamically for the entire swarm, so that the information through the swarm can run continously
[30]. Since the RSSI method is a quite rough localization technique, it is only used as a complementary
tool for considering the topology of the whole localization system [31]. However, the topology of the network
affects its performance on estimation and robustness to noise [32]. This mean that topology of network
could practically affect the performance of algorithms for large interconnected swarm robots system.
Block diagram control of communication among swarm robots can be seen in Figure. 1.
Communication was done using X-Bee/Zigbee protocol that connected to the central computer for collecting
the experimental data. For controlling all the existing systems on the real robot platform.

Figure 1. Block diagram control of swarm robot coordination

Our Xbee/ZigBee protocol based modems support three different network topologies: star, mesh,
and cluster tree networks allowing a wide array of customized configurations. Generally, Zigbee mesh
topology consists of a coordinator and a set of routers and end devices [10]. A router can be linked to one
or more routers and end devices. The communication rules of mesh topology are flexible because the
routers that are located within range of each other can communicate directly. An advantage of mesh
network is that there is odds-on other alternative route in case an existing link fails. Thereby, this type of
network topology is consistently good in quality or performance.
In paper [33], paper ini telah membahas tentang the use of RSSI in tracking the swarm robot.
Komunikasi yang digunakan adalah terpusat dimana pemimpin robot dan robot pengikut berkomunikasi
secara nirkabel melalui X-Bee. Namun yang membedakan dengan paper ini adalah strategi robot
mengoordinasikan gerakannya sendiri dalam menghindari rintangan dan tidak bertabrakan dengan robot
lain menggunakan logika fuzzy.

3.2. Fuzzy Logic for Coordination

Dalam koordinasi robot swarm, masalah pertama dan terpenting yang harus ditangani adalah
kerjasama antar robot. Masing-masing individu robot swarm bekerjasama untuk melakukan tugas tertentu,
serta robot harus mampu berinteraksi dengan lingkungan. Lingkungan kerja robot swarm cukup kompleks,
sering berubah, dan setiap robot terdiri dari sekumpulan banyak komponen seperti alat communication,
system control, and sensing dll, sehingga sulit untuk menentukan model matematis, atau bahkan tidak
mungkin untuk diidentifikasi [1]. Salah satu solusi ini tanpa mengetahui persamaan matematis dalam
mengontrol robot adalah algoritma logika fuzzy.
Teori Logika Fuzzy adalah teknik pengambilan keputusan yang menerjemahkan nilai yang
dinyatakan dalam bahasa (linguistik) menjadi nilai tertentu, yang mungkin sulit diselesaikan dengan
matematika tradisional [34]. Pengendalian logika fuzzy yang terdiri dari aturan kontrol linguistik adalah
sebuah teknik merancang kontroler gerak koordinasi berdasarkan pengetahuan dan pengalaman ahli
manusia [35][36]. Pada kontroler gerak koordinasi bagaimana memutar roda robot dengan rentang konstan
melalui pengendali fuzzy. Kondisi yang digunakan pada controller bergantung pada pergerakan robot.
Pada paper ini menggunakan 3 buah robot swarm, masing-masing robot melakukan tugas pindah
ke tujuan, dalam perjalanan robot swarm harus menghindari rintangan. Jadi, setiap robot di kawanan
memiliki tiga tugas yaitu : menghindari rintangan, pindah ke tujuan, serta menjaga kawanan dengan
menghindari tabrakan di antara robot di kawanan. Lingkungan yang digunakan adalah lingkungan tanpa
halangan dengan berbeda bentuk arena dan ukuran. Pada lingkungan tanpa halangan, tidak ada gangguan
yang mempengaruhi, jika robot berjauhan dengan yang kelompoknya, maka robot tersebut akan bergerak
kearah satu sama lain untuk mempertahankan kawanan. Sedangkan jika masing-masing robot berdekatan,
robot harus menjauh dari masing-masing untuk menghindari tabrakan.
Dalam koordinasi robot swarm, interaksi antar robot dalam kawanan tergantung dengan jarak antar
robot dengan rintangan dan dengan robot lainnya yang terdeteksi dari masing-masing sensor. Dengan
menggunakan logika fuzzy, masukan sensor dari masing-masing robot tersebut merupakan nilai masukan
untuk fungsi keanggotaan (MF). Secara umum, design kontrol fuzzy, ditunjukkan pada Gambar. 2, struktur
kontrol fuzzy berdasarkan prosedur yaitu the standard procedures of crips input, fuzzification, fuzzy input,
rule evaluation, fuzzy output, defuzzification and crips output.

Gambar 2. Design Fuzzy Logic Controller

Berdasarkan nilai MF akan dibuat aturan tentang respon ke output motor dari robot swarm. Pada
penelitian ini, Nilai input MF dan output MF seperti ditunjukkan pada Gambar 3 (a) dan (b). Pada Gambar
3(a), MF memiliki dua fungsi keanggotaan (MFs), yaitu jauh dan dekat, keduanya berbentuk trapezoid dari
MFs. Sedangkan pada Gambar 3 (b) output dengan menggunakan penalaran dengan metode Sugeno
hampir sama dengan penalaran Mamdani, hanya saja output (konsekuen) sistem tidak berupa himpunan
fuzzy, melainkan berupa konstanta atau persamaan linear.

(a) (b)

Figure 3. Nilai input MF dan output MF

(a) Membership Function of distance sensor as input
(b) Membership Function of motor speed as output

Rule set pada proses fuzifikasi dalam membentuk keputusan control, menghasilkan kombinasi
input dan output. The relation between the input and output membership functions is facilitate by the fuzzy
rules as display in Table 1. Pada penelitian ini menggunakan 8 aturan, aturan fuzzy pada table 1,
menyajikan variabel linguistik sebagai pengontrol output yang berisi kecepatan motor untuk PWM kanan
dan kiri.

Table 1. Fuzzy Logic Rule Based

Distance Sensor as Input Motor Speed as Output

Rules
Left Forward Right Left PWM Right PWM
1 Near Near Near Slow Fast
2 Near Near Far Fast Slow
3 Near Far Near Medium Medium
4 Near Far Far Medium Slow
5 Far Near Near Slow Fast
6 Far Near Far Slow Medium
7 Far Far Near Slow Medium
8 Far Far Far Fast Fast

4. Results And Analysis

On this chapter, we will first demonstrate the performance of the system. Kinerja koordinasi antar
robot adalah kerjasama antar individu robot swarm dalam menghindari rintangan. Untuk mencapai
koordinasi digunakan komunikasi antara robot swarm dalam pekerjaan ini, yaitu gerakan individu dari suatu
kelompok. Namun, posisi relatif antara robot tidak tetap, memungkinkan robot untuk bergerak di dalam
grup. Setiap individu harus mempertahankan posisi dan orientasi yang telah ditentukan di antara mereka
pada saat yang sama ketika mereka bergerak secara keseluruhan.
 Dalam bergerak bebas masing-masing robot, sulit untuk diketahui jarak robot yang cukup dari
rintangan dan robot lainnya. Pada penelitian untuk mendapatkan jalur aman untuk semua robot di
lingkungan yang tidak diketahui, menggunakan logika fuzzy. Dengan logika fuzzy koordinasi gerak
dikendalikan berdasarkan masukan input jarak dari robot kemudian diproses sebagai suatu aturan yang
tepat, dalam menghasilkan output. Setiap mobile robot harus berkoordinasi untuk menghindari tabrakan
antar robot dan rintangan, menjaga jarak antar robot lain dengan menjaga kecepatan yang cocok dengan
robot terdekat.
Untuk koordinasi masing-masing robot berkomunikasi dengan menggunakan komunikasi nirkabel yaitu
modul X-Bee. Modul Xbee dengan The Received Signal Strength Indicator (RSSI) sebagai parameter
untuk memperkirakan jarak antara dua node X-Bee. In this work, X-Bee telah dipilih sebagai modul
komunikasi nirkabel antara robot. Tujuan komunikasi nirkabel untuk menemukan posisi robot
dilingkungan pengujian, dengan estimasi posisi.