自然-通讯：无私探索策略大幅提升机器人合作效率
▌研究背景
自然界中有许多让人叹为观止的动物集群行为。例如多个蚂蚁可以协作搬运一个比自己大很多的食物；大雁可以组成队形节省能量从而实现长途迁徙。科学家受到动物集群的启发对多机器人集群系统进行了大量的研究。
多机器人集群系统中一个重要研究问题是通过分布式协调机制形成期望的队形。该队形往往对多机器人系统完成协同搬运、协同感知等任务起到重要的作用。
该队形控制问题相比许多集群问题有一个独特而重要的技术挑战：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极大困难。
传统方法中往往通过目标分配来解决这些竞争问题。然而，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，因此会导致效率较低，而且容错性适应性较弱。
▌新型方法
近期西湖大学智能无人系统实验室联合北京航空航天大学、清华大学以及英国谢菲尔德大学，研发了一种新型基于“无私”探索机制的机器人协调算法。相较于现有算法，在集群规模较大的时候，“无私”探索算法的效率能够有数十倍的提升，并且这种提升会随着集群规模的增加而进一步增强。此外，该算法由于不依赖于目标分配，天然地具有良好的容错性和适应能力，可以轻易地拓展应用于复杂空间探索、协同搬运等任务。
▌算法原理
该算法包含了三个组成部分，人-集群交互系统、分布式机器人协商算法、分布式控制算法（如图1所示）。其中最核心的是通过Mean-shift的算思想来实现的无私探索：即当一个机器人预测到将与周围机器人针对同一个目标位置产生竞争的时候，会主动放弃该目标位置，转而投向更广阔的区域。正因为是主动避免冲突而被称为“无私”策略。该工作也验证了“无私”在集群合作中的关键作用。
▌机器人平台
基于该算法，我们研发了包含50台地面小车的机器人集群系统（如图2所示）。
▌自组织复杂构型
通过机器人集群系统的验证，该算法能够形成复杂非凸形状。例如一个“雪花”的形状是一个较难形成的队形，因为它包含了非常丰富的枝丫，但是在该算法的推动下，集群系统仍然能够精确实现队形，而不会陷入局部最优（如图3所示）。
▌高效率
相比最新算法，所提出的“无私”探索算法的效率在集群规模较大的时候（例如300个机器人）能够有数十倍的提升，并且这种提升会随着集群规模的增加而进一步增强（如图4所示）。
▌自适应性
该算法由于不依赖于目标分配等传统方法，天然地具有对机器人故障等问题的自适应。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（如图5所示）。
▌协同货物搬运
无私探索算法的另外一个特点是能够通过引入“领导者”实现对移动目标编队的跟踪。这种能力的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保持队形，另外一方面要跟随领导者实现对运动轨迹的跟踪，从而将实现货物的搬运（如图6所示）。
▌复杂环境探索
此外，该算法可以用于探索复杂环境例如迷宫（如图7所示）。虽然迷宫当中有许多转角等非凸结构，该方法由于其良好的探索性，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。
最后，本工作的视频介绍请参见以下视频。
[Nature Communications-2023] 无私探索大幅提升合作效率：基于均值偏移的机器人集群队形控制策略
本文共2714字，申请文章授权请联系后台运营人员
