如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略

对于一个科技周边开发者来说，牢固扎实的基础是十分重要的，golang学习网就来带大家一点点的掌握基础知识点。今天本篇文章带大家了解《如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略》，主要介绍了，希望对大家的知识积累有所帮助，快点收藏起来吧，否则需要时就找不到了！

考虑“人群排队进入电梯”这样一个场景。如果先进去的人是“自私”的，那么他进入电梯后就会停在原地，这时候会挡住后面的人进入电梯。如果前面的人是“无私”的，那么他会主动往里走，这样后面的人才会顺利的进入电梯。

受到这个场景的启发，研究人员开发了无私探索的策略，这个简单的策略能够大幅度提升机器人集群系统的合作效率，该成果于2023年6月发表在Nature Communications。

▍引入“无私”探索：让机器人合作效率更高

在众多机器人集群系统中，集群队形控制是一个重要而独特的问题。相比于其它集群协同问题，队形控制有一个独特的技术挑战，即全局队形实际上是一个全局约束条件。该约束条件使得本来是合作的机器人之间产生了竞争关系。从本质上来说，正是这种竞争关系给队形控制带来了许多困难。

传统方法通常使用目标分配来解决机器人之间的竞争问题。然而，基于分配的方法具有容错性和适应性较弱的问题。当分配的目标不合理或者某些机器人出现故障时，需要不断重分配目标，会导致效率较低。

近日，来自西湖大学、北京航空航天大学、清华大学和英国谢菲尔德大学的研究人员提出了一种基于“无私”探索策略的新型机器人协调控制方法，其核心是通过基于Mean-Shift的算法来化解机器人之间的竞争冲突：即当一个机器人预测到将与周围机器人产生竞争时，会主动放弃其当前位置，转而去向更空旷的区域。正因为该策略能“主动”化解冲突而被称为“无私”策略。

相比最新研究工作，所提出的“无私”探索策略的效率在集群规模较大时能够拥有数十倍的提升，并且这种提升会随着集群规模的增加而进一步增强。而且，由于不依赖于目标分配，该策略天然具有良好的容错性和适应性，可以拓展到复杂空间探索、协同搬运等任务。

“无私”探索策略由三个部分组成。第一部分是人—集群交互系统，用来制定人所需要的几何队形。第二部分是分布式协商算法，所有机器人以分布式的方式与周围邻居协商目标队形的欧氏参数，包括位置和方向。第三部分也是最重要的，就是分布式队形控制算法。该控制算法由三个控制指令组成。首先是队形进入指令，其作用是将机器人引入到目标队形内。第二是队形探索指令，其作用是通过Mean-Shift的机制探索队形内的可行区域。第三是交互指令，其作用是实现机器人之间的避撞和速度对齐。

基于该策略，研究团队开发了包含50台地面机器人的集群实验系统。相关实验是在室内动捕系统的支持下进行的，通过多线程分布式并行方式实现。

▍机器人集群执行多种任务：拥有高效协同和自主控制能力

“无私”探索策略能够控制机器人自组织形成复杂非凸形状。例如一个具有丰富枝丫的“雪花”队形，在该策略作用下，机器人集群能够精确实现队形，而不会陷入局部最优。而且，机器人集群可以在这种形成不同的非凸队形，并能够从一种形状平滑切换到另一种形状。

“无私”探索策略相比于最新的研究工作具有数十倍效率的提升，而且这种提升会随着集群规模的增加而进一步增强。

由于不依赖于目标分配和机器人数量的变化等问题，"无私"探索策略具备自适应能力。例如，当一部分机器人被移出集群时，整个系统不需要任何的故障检测或容错控制，可以无缝重新组成队形，这使得整个系统具有了一定的“再生”能力。

“无私”探索策略的另外一个特点是能够跟踪时变队形。一个重要应用是实现多机器人协同搬运。在这个过程当中，一方面机器人要实现队形保持，另外一方面要跟随领导者实现队形运动，从而实现货物的协同搬运。

此外，“无私”探索策略可以用于探索复杂环境。例如，可以模拟人群通过狭窄入口进入到一个房间，而且不会被卡在入口处。值得指出的是，这个例子非常生动地诠释了“无私”探索的策略。它非常类似于人群进电梯的生活场景：假如有很多人要进入到电梯当中，如果一个人是“自私”的，那么他进入电梯后会停止运动，因为他已经达到了自己的目标。然而，这时候会挡住后面的人进入。如果这个人是“无私”的，那么他会主动往里面走，这样后面的人才会顺利地进入。

又比如，可以用于探索复杂迷宫。虽然迷宫当中有许多转角等非凸结构该策略由于其良好的探索性，依然能够成功实现对迷宫的全覆盖探索，而不会陷入局部最优点。

▍结论

该文章所提出的算法的思路非常简洁，但正是这样一个简单的想法解决了集群队形控制当中长期以来面临的一个重要问题。未来可以进一步扩展机器人平台的感知能力，让整个系统更加智能化，能涌现出真正类似于高智慧生物的集群行为。

▍文章来源

G. Sun, R. Zhou, Z. Ma, Y. Li, R. Groß, Z. Chen, and S. Zhao*, "Mean-shift exploration in shape assembly of robot swarms", Nature Communications, vol. 14, pp. 3476, 2023. https://doi.org/10.1038/s41467-023-39251-5

终于介绍完啦！小伙伴们，这篇关于《如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布科技周边相关知识，快来关注吧！