精华内容
下载资源
问答
  • 群体机器人
    2022-03-10 18:23:14

    人们既期待机器人,也害怕机器人。量变终究会积累成质变,我们期待的是,希望机器人能将人彻底解放出来,告别辛苦重复的劳作;害怕的是,如果机器人太过强大,强到统治地球的人类变为屈于机器人之下的奴隶,这是否会带来倒退?对于这个问题,不同的学者有不同的看法,有经济学家,有政治家,也有哲学家,还有很多的科幻迷、机器人发烧友,他们都言之有理,无法判断谁对谁错。毕竟,没人能证实未来。但可以肯定的是,今天我们看到的机器人,即便已经如此“智能”,但还是处于非常低的发展阶段。因为机器人诞生也只有短短的几十年,就像人一样,它要成长,要进化。
    在这里插入图片描述

    群体机器人非常适合工作范围涵盖大面积的项目使用。一群机器人散布在各自负责的范围,监控整个区域的动态变化,例如:实时监控被有害物质污染的区域。教育领域的人工智能除了群体机器人之外,固定式的污染源感知器这类的装置也可以达到监控的功能,然而,相较之下,群体机器人会比感知器更适合用来执行这一类的任务,因为每一个群体机器人的个体,都可以在各自负责的区域内动态巡逻,而不只是维持在固定的位置不动。换句话说,群体机器人可以用更少的装置来达到实时区域监控的目的。

    除了实时监控,群体机器人也可以用来搜寻和定位污染源头,向目标区域移动并采取快速实时的反应。在紧急情况下,机器人甚至可以聚集在一起,形成一个类似补丁的功能,来暂时阻止因源头所造成的影响,作为临时解决方案。

    工作可能造成机器人故障。在某些任务中,任务执行过程或是完成后,机器人会受到损伤,甚至无法修复。因此,如果使用复杂且昂贵的机器人是非常不划算的。这时,价格相对低廉的群体机器人则可以提供划算的解决方案。人工智能实验室建设群体机器人价格低廉的优点,让机器人在执行任务的过程中,能够承受部分个体遭受破坏的损失,而不至于付出太昂贵的代价。这也让机器人在执行任务时有了很大的自由度。这种不怕撞坏,勇往直前的勇气,尤其适合被应用在作业执行过程中可能对工作人员可能造成伤害的工作。

    某些任务,可能需要随着工作完成度,弹性地调整参与任务机器人的数量,来因应现场环境变化的状况。群体机器人就具备了这样的能力,他们能够根据当前工作负载量,来调整参与任务的机器人数量,这样的规划既经济又省时。

    以油罐车翻覆发生漏油事故为例,在发生石油泄漏初期,可以先集中所有的机器人参与漏油源头的防堵任务。随着源头漏油状况缓解,系统可以逐步减少参与处理漏油源头任务的机器人,将更多的资源投入污染清除工作;同时,也可以在不同污染程度的地区之间,调整投入任务机器人的比例,平衡各个区域清洁进度,以期待能够最有效率的协力完成任务。

    需有备用救援系统。群体机器人系统的另外一个优势,就是能够规划足够的备用救援系统。因为能弹性地安排机器人数量,因此在系统规画时,即可以加入备用支持系统,也就是多准备几只备用的机器人加入团队。使得整个机器人系统在执行任务时,即使因故损失了几台机器人,也不至于对系统的整体效能产生太大的影响,可以更确保任务得以顺利可靠的完成。

    群体机器人的应用主要着重于两个方向:一是怎么让一群机器人合作执行任务,其二是怎么将他们应用在真实的世界中。由于群体器人拥有团队合作的特性,他们非常适合应用在目标搜寻,合作搬运、协同维修和障碍物或污染物清除等领域。尤其是危险的场域(如:灾后现场或战场),或是人类无法到达的地方(如:深海或外层空间)。一起来看看一些应用情境:在合力执行任务上,像是协力将物体搬运到指定的位置,过程中可能需要配合环境,自行编排队伍和避开障碍物;或是一群机器人同时在一个区域内,收集所处位置相关的讯息,并绘制出区域地图。有机器人研究单位提出了一种非常便宜、精巧,并能够自主运作的微型体积机器人,可以用来检测喷射涡轮机的叶片是否有破损而需要维修。

    灾区搜救群体机器人可以深入人类或大型机具无法进入的灾难现场搜寻生还者。进入灾难现场的第一时间可让机器人分散到各处,尽可能地覆盖到最大搜索面积;当其中任一只机器人寻找到待救援者时,可以实时通知其他机器人前来协助,共同将待援者移动至安全的地点安置。透过机器人来执行搜救任务,还可以排除因为天候或昼夜等对搜救进度造成的影响,因为机器人可以在任何天候和光照条件下执行作业。

    另外,在搜救初期,对搜救人员来说,灾难现场通常是危机四伏,像是掉落物、有毒泄漏气体、火焰?等,搜救人员在搜救过程中发生意外的消息时有所闻,需要小心谨慎以避开危害。这些来自环境的干扰也会造成搜救进度延宕。如果可以利用群体机器人的备援优势,就算几只机器人在搜救过程中意外损坏,其他的机器人仍可以及时接替并继续执行任务,把握黄金救援时间。
    在这里插入图片描述

    污染物清除。群体机器人能大面积的收集并清除污染物,而且还可以随着污染物清除的进度,调整工作范围和密度,让清除工作得以更快速且有效率地进行。群体机器人也可以扮演先遣部队的角色,在人类进入该区域前,预先进入被污染区并清除污染物。待有害物质清除后,人员再行进入污染区执行后续处置作业。同时,若是待清除污染物的数量过大。

    综上所述,机器人也可以要其他机器人的支持,协助完成清理和搬运等任务。他们可被应用于海洋洋面的油污清除,提供了海洋环境保护一个低成本的又有效的解决方案。围绕着如何让群体机器人有效率的团队合作并完成任务为发展主轴,群体机器人衍生出许多有趣的相关研究主题,例如机器人的合作及定位逻辑架构、机器人如何同步进行环境探索、机器人协同清洁大范围污染物等。伴随这些研究主题的进步发展,希望群体机器人能够在短时间内,走出实验室,进入人群中协助人类解决许多当前棘手的问题。

    更多相关内容
  • 随着机器人的应用方式由部件式单元应用向系统式应用方向发展,群体机器人系统的研究越来越受到更多学者的重视。本文概述了群体机器人技术的发展历程,并对该领域内的主要研究内容作了简单的分析和介绍,提出了未来...
  • 群体机器人分布式聚集队形控制策略,杨永明,田彦涛,以基于行为控制和社会势场机制为基础,提出了群体机器人聚集队形控制策略。该队形控制策略能够使得机器人群体在保持一定间距的前
  • #资源达人分享计划#
  • 群体机器人集体决策场景中通过区块链技术管理拜占庭机器人 该存储库包含该论文的代码: V.Strobel,E。Castello Ferrer,M。Dorigo。 2018年。在Swarm Robotics集体决策场景中通过区块链技术管理拜占庭机器人。 ...
  • 为了提高群体机器人系统的整体性能,受生物系统中普遍存在的交哺现象的启发,在原来多机器人系统的基本行为的基础上,提出了一种引入交哺行为的多机器人协作机制。机器人依靠有限的感知能力和局部交互功能,以自组织...
  • 文章目录摘要1. 简介 声明:本篇翻译自《Swarm robotics: a ...通过简单的规则和本地交互,群体机器人旨在设计稳健,可扩展和灵活的集体行为,以协调大量机器人。在本文中,我们从群体工程的角度分析文献:我们主...


    声明:本篇翻译自《Swarm robotics: a review from the swarm engineering perspective》

    摘要

      群体机器人技术是集体机器人技术的一种方法,它从社会动物的自组织行为中获取灵感。通过简单的规则和本地交互,群体机器人旨在设计稳健,可扩展和灵活的集体行为,以协调大量机器人。在本文中,我们从群体工程的角度分析文献:我们主要关注有助于推进群体机器人作为工程领域的思想和概念,并且可能与解决实际应用相关。群体工程是一门新兴学科,旨在为群体机器人系统的建模,设计,实现,验证,验证,操作和维护提供系统和完善的程序。我们提出两种分类法:在第一种分类法中,我们对涉及设计和分析方法的作品进行分类;在第二种分类法中,我们根据所研究的集体行为对作品进行分类。最后,我们讨论了作为工程学科的群体机器人的当前限制,并对未来的研究方向提出了建议。

    1. 简介

      群体机器人已经被定义为“协调大量机器人的新方法”,或者“通过来自代理(Agents)与代理之间以及代理与环境之间的相互作用,进而表现出理想的集体行为“,(Sahin 2005)。
    群体机器人系统的主要特征如下:

    • 机器人是自主的;
    • 机器人位于环境中,可以采取行动对其进行修改;
    • 机器人的传感和通信能力是具有限制的;
    • 机器人无法获得集中控制和(或)全球知识;
    • 机器人合作解决特定任务。

    在这篇综述中,我们使用这些特征来区分属于群体机器人的作品和属于其他多机器人方法的作品(Iocchietal.2001)。Sahin (2005),Beni (2005)和Dorigo and ¸Sahin (2004)等人提出并采用了不同的群体机器人特征。群体机器人的主要灵感来自对社会动物的观察。例如:蚂蚁,蜜蜂,鸟类和鱼类是一些单独的个体,并且可以成功的聚集成群体。

      稳健性是应对个人流失的能力。在社会动物中,冗余和缺乏领导者会促进健壮性。可伸缩性是指能够在不同的组大小下运行良好的能力。引入或移除个体不会导致群体性能发生剧烈变化。在社交动物中,通过局部传感和通信促进可扩展性。灵活性是应对各种不同环境和任务的能力。在社交动物中,通过冗余,行为的简单性和任务分配等机制来促进灵活性。 Camazine et al. (2001)已经对社会动物的稳健性,可扩展性和灵活性进行了详细分析。

      通过从社会动物中获取灵感,群体机器人旨在开发具有类似于社交动物特征的群体智能特征的机器人系统。特别地,群体机器人系统意味着具备健壮,可扩展且灵活。

    1.1 群体工程(Swarm engineering)

      群体工程是科学和技术知识的系统应用,用于建模和指定需求,设计,实现,证明,验证,操作和维护群体智能系统。 群体工程最早由Kazadi(2000)作为术语引入,他认识到群体智能研究的重点正在朝着“设计可预测的,可控制的群体,具有明确的全球目标和可证明的最小条件”。 他还补充道,“对于群体工程师来说,群体设计中的重点是群体将完全按照设计目的去做,并且它将按时可靠地完成”(Kazadi 2000)。 然而,正式引入群体工程的第一项工作在五年后才出版,其中包括Winfi eld(2004年)等人的开创性论文。

      群体工程仍处于早期阶段,其发展不均匀。 一方面,一些主题,如设计和分析,已经受到群体机器人界的关注,并提出了几种方法和工具。 对于这些主题,我们的目标是展示和分类现有作品。 另一方面,其他主题,例如需求分析,维护和性能测量,几乎没有受到关注。 在本次综述的最后一部分,我们提出了对这些主题的讨论,希望能够培养新的想法并促进其发展。

      当我们采用群体工程视角时,我们的评论涵盖了作为工程领域推动群体机器人技术发展的工作。 特别是,我们专注于促进群体机器人应用于实际应用的想法和解决方案。


    1.2 综述的大纲(The outline of our review)

      在这篇综述中,我们使用了两种分类法:方法和集体行为(参见图1,了解评论结构的完整方案)。 在第2节中,我们分析了设计和分析群体机器人系统的方法。 在第3节中,我们分析了群体机器人系统可以展示的一些可能的集体行为。 通过集体行为,我们指的是整个群体的行为。 这种集体行为可以用作应用的构建模块,例如觅食或建筑(参见第4节)。在第4节中,我们在论文中讨论了群体机器人和群体工程中的开放问题。


    1.3 回顾以往的观点(Previous reviews)

      以前的观点提出的分类法与我们在此提出的分类法不同。Dudek et al. (1993) 选择了群体大小,通信范围,通信拓扑,通信带宽,群体可重构性和群体处理能力来对文献进行分类。Cao et al. (1997) 使用:群体结构,资源冲突,合作的起源,学习和几何问题。Iocchi et al.(2001)采用了一种等级分类法:在第一级,他们考虑了意识与不知情的合作。意识类别分为强协调,弱协调和非协调系统。相关的工作相互协调,系统化,强烈集中化,弱中心化和分散化。单独的部分专门用于多机器人系统的应用。Gazi and Fidan (2007) 选择将文献分为数学模型,群体协调和控制以及设计方法。Bayindir and ¸Sahin (2007)根据五种分类法对文献进行了分类:建模,行为设计,沟通,分析研究和问题。


    2 方法(Methods)

      本节的目的是根据用于设计或分析群体机器人系统的方法对群体机器人文献中发表的文章进行分类。 在2.1部分,我们提出了最常用的设计方法,用于开发成群机器人的集体行为。 在2.2部分中,我们介绍了用于理解,预测和分析群体集体行为的最常用方法。

    2.1 设计方法

      设计是从最初的规范和要求开始规划和开发系统开始。不幸的是,在群体机器人中,仍然没有正式或精确的方法来设计产生所需集体行为的个体水平行为。人类设计师的直觉仍然是群体机器人系统发展的主要因素。

      我们将设计方法分为两类:基于行为的设计和自动设计。

      基于行为的设计是开发群体机器人系统的最常用方法。以迭代的方式,实现,研究和改进每个机器人的个体行为,直到获得期望的集体行为。在基于行为的设计中,灵感通常来自对社会动物行为的观察。这可以简化设计过程,因为有时候,已经理解了特定行为的细节并且可以获得数学模型。

      在下文中,我们通过描述一般原则和相对优缺点来讨论基于行为的设计方法和自动设计方法。

    2.1.1基于行为的设计方法(Behavior-based design methods)

      在群体机器人中,最常用的设计方法涉及手动开发机器人的个体行为,这写行为都将改变群体的集体行为。群体机器人系统设计行为通常是一个反复试验的过程:对个体行为进行迭代调整和调整,直到获得最终的集体行为为止。第四是理性,基于行为的设计,通常是自下而上的过程(Crespietal.2008),尽管最近提出了一些自上而下的方法(参见第2.1.1节)。 我们将基于行为的设计方法的文献分为三大类:概率有限状态机设计,基于虚拟物理的设计和其他设计方法。

      概率有限状态机(Probabilistic finite state machine)设计通常,在群体机器人中,单个机器人不会计划其未来行为,但它仅根据其感官输入和/或其内部记忆做出决策(Brooks 1986)。 获得此类行为的最常用设计方法之一是使用特定类型的有限状态机(finite state machine )(Minsky 1967):概率有限状态机(probabilistic finite state machines ,PFSM)。

      在PFSM中,状态之间的转换概率可以固定或可以随时间改变。 当在整个集体行为的执行过程中定义并使用单个概率值时,转换概率是固定的。在Soysal和¸Sahin(2005)的工作中可以找到一个例子。 当通过系统的一个或多个参数的数学函数定义转移概率时,转移概率不固定。 最广泛使用的功能之一是由Granovetter(1978)开发的响应阈值函数(Response threshold function)(参见Bonabeau等人1997)。 图2所示的响应阈值函数已被用于研究社会昆虫的集体行为(Theraulaz等,1998),并已被Theraulaz等人引入群体机器人中。 (1990)研究集体决策和任务分配。 在响应阈值函数中,切换到新状态的概率通常与机器人的当前状态有关。

      PFSM已经被用于开发几种集体行为,例如聚合(Soysal和¸Sahin2005),链形成(Nouyan等人,2008)和任务分配(Liu等人,2007; Labella等人,2006)。 这些行为将在下面的 3.1.1,3.1.2和 3.3.2章节中分别进行更详细地解释。

    展开全文
  • 在这个特定的项目中,我们将为群体机器人竞技场设计障碍机器人,这是群体机器人平台项目的一部分,最终解决了上述问题。 目标由高架摄像头设置监控的自动障碍机器人。 机器人可以通过用户友好的界面移动到所需位置...
  • 群体机器人kilobots研究文章推荐(群体智能)

    千次阅读 热门讨论 2020-04-29 17:35:26
    群体机器人kilobots研究文章推荐(群体智能) 前四篇是来自哈佛Self-Organizing Systems Research Group的文章,他们是kilobots工作的创始团队,分别讨论了机器人构型、错误级联、群决策共识等内容。第五篇和第六篇...

    群体机器人kilobots研究文章推荐(群体智能)

    前四篇是来自哈佛Self-Organizing Systems Research Group的文章,他们是kilobots工作的创始团队,分别讨论了机器人构型、错误级联、群决策共识等内容。第五篇和第六篇是Yaochu Jin老师团队工作,是基因调控网络在kilobots上的验证研究,主要是flocking和encircling形态生成。第七篇是关于群体决策实验分析。第八篇讨论了群体的密度和信息传播效果的关系

    Programmable self-assembly in a thousand-robot swarm(Science2014)

    自组装使自然界能够通过大量有限和不可靠的个体的相互作用,建立复杂的形态,从多细胞有机体到复杂的动物结构,如鸟群。在工程系统中创造这种能力,对能够在这种规模下运行的算法和物理系统的设计都提出了挑战。我们设计了一个系统,展示了复杂的二维形状的可编程自组装与一千机器人群。这是通过创造自主机器人来实现的,自主机器人被设计成在大群体中工作,并通过局部交互进行合作,**同时开发出一种对大规模分散系统的可变性和误差特性具有高度鲁棒性的形状形成集体算法。**这项工作提出了创造具有自然群体能力的人工群体的目标。
    在这里插入图片描述

    Error Cascades in Collective Behavior A Case Study of the Gradient Algorithm on 1000 Physical Agents(AAMAS2017)

    梯度,或称跳数,算法的灵感来自自然现象,如多细胞发育中的形态梯度。**它在多智能体系统和传感器网络中有多种应用,可作为自组织坐标系形成的基础,也可用于寻找信息传递的最短路径。这是一个简单且在理论上易于理解的算法。**然而,我们在此表明,在实践中,它对在更大范围内出现的特定的罕见错误高度敏感。我们在一个由1000个物理智能体(Kilobot机器人)组成的系统上实现它,这些智能体通过一个嘈杂的无线信道异步通信。我们观察到,**单个智能体产生的自发的、持续时间短的罕见错误(例如,由于消息损坏)在空间和时间上传播,导致严重阻碍算法功能的级联。我们建立了时间误差传播的数学模型,并在100个智能体上进行了实验验证。**这项工作表明,从理论上讲,多智能体算法被认为是简单和健壮的,但在物理系统上实现却具有很大的挑战性。系统地理解和量化它们当前的局限性是朝着提高其实现健壮性的方向迈出的第一步。
    在这里插入图片描述

    Multi-Feature Collective Decision Making in Robot Swarms

    由于群体决策在蜜蜂和蚁群等生物系统中的广泛应用,它在多智能体系统和群体机器人领域得到了广泛的研究。然而,以往的研究大多集中在单个特征的集体决策上。这项工作引入并研究了多特征集合决策问题,其中一个集合必须同时决定多个二元特征,而没有关于它们的相关困难的先验信息。每个智能体在任何给定的时间只能估计一个特征,但是智能体可以本地传递它们的噪声估计以得到决策。该工作展示了一个分散的单特征决策算法和一个动态任务分配策略,该策略允许智能体在有限时间内锁定多个特征的决策。我们使用模拟和物理的Kilobot机器人验证了我们的方法。结果表明,一个集合可以正确地对多特征环境进行分类,即使在特征分配中存在病态的初始智能体。
    在这里插入图片描述

    Bayes Bots: Collective Bayesian Decision-Making in Decentralized Robot Swarms (AAMAS2020)

    是前一工作的拓展。在这里插入图片描述

    A Strategy for Self-Organized Coordinated Motion of a Swarm of Minimalist Robots(Trans2017)

    极简机器人由于成本低、体积小,在功能上受到很大限制,但非常适合于群体机器人的应用。由于通信距离较短以及缺乏位置和方向感测,在最小群体机器人系统中保持连通性和避免碰撞具有挑战性。为了提高群体连通性,减少机器人之间的碰撞机会,**提出了一种基于自组织的极简机器人群体聚集控制策略。**基于协作建立的相对位置信息,每个机器人确定一个无碰撞的操作多边形。该调度方案通过将机器人分为一组静止机器人和一组移动机器人来协调机器人的运动,使得每个移动机器人都被作为信标的静止机器人包围。此外,我们在运动规划中引入了一种凝聚力,这在群体聚集过程中起到了重要的维持作用。提出了一种新的定量度量方法,用以度量群体智能体与局部通信的连通性,从而评价所提控制方案的性能。我们使用模拟的Kilobots进行了广泛的模拟,以检验不同噪声源和群大小对群的连通性和群聚速度的影响。最后,我们在一个真实的千机器人群上实现了所提出的算法,比较了有无所提出的协调集体运动控制策略下的群集性能。在这里插入图片描述

    Regulated Morphogen Gradients for Target Surrounding and Adaptive Shape Formation(TCDS2020)

    在群体机器人学中,为自组织极简机器人开发算法已经成为一个热门的研究课题。与其他机器人不同,极简机器人可能无法自我定位,这使得完成诸如包围目标(其位置通常未知)等任务变得非常困难。在目标周围,到达目标并加入群并不总是导致目标的满意包围。此外,如果没有集体决策,个体的极简主义机器人是不可能找出群体的整体形状的。在本研究中,我们利用两种形态的扩散和反应来包围目标并形成圆形群。结果表明,该方法能够自适应地形成多个目标周围的形状。通过计算机仿真和使用kilobots的物理实验来评估该算法的性能。在这里插入图片描述

    Collective decision with 100 Kilobots: speed versus accuracy in binary discrimination problems(AAMAS2016)

    **在不依赖于中心规划单元或全局通信的情况下,利用大量简单的智能体实现快速、准确的集体决策对于发展复杂的集体行为至关重要。**在本文中,我们研究了二元判别问题背景下集体决策中的速度与精度权衡问题,即群体如何集体决定两个方案中的最佳方案。我们描述了一种新的、完全分布式的集体决策策略,它只需要具有最小能力的智能体,并且比以前的方法更快。我们在实验上评估了我们的策略,使用了100千个机器人群,并且我们在理论上研究了它,使用了连续模型和有限尺寸模型。我们发现,影响策略速度与准确性权衡的主要因素是智能体邻域大小,即与每个智能体共享当前观点的智能体数量。所提出的策略和相关的理论框架可用于设计在给定速度和/或精度水平上进行集体决策的群。
    在这里插入图片描述

    Emergence of Consensus in a Multi-Robot Network: from Abstract Models to Empirical Validation

    分散多智能体系统中的一致性动力学受到了广泛的研究,并提出和分析了几种不同的模型。其中,命名游戏以其简单性和适用于从符号学到工程的各种现象和应用而著称。尽管研究的范围很广,但在实际的分布式系统中实现理论模型并不总是简单的,因为物理平台施加了一些约束,这些约束可能会影响一致性动力学。本文研究了kilobot机器人平台命名游戏的实现效果,其中考虑了游戏的并发执行和物理干扰。根据机器人创建的不断发展的通信网络,分析了一致性动力学,强调了不同的区域在很大程度上取决于机器人的密度和它们在实验舞台上广泛传播的能力。我们发现物理干扰降低了机器人在一致性时间上的移动带来的好处,同时也降低了个体的认知负荷。

    展开全文
  • #资源达人分享计划#
  • 基于WSN的群体机器人实验平台设计,宋威,李文锋,无线传感器网络和群体机器人的是当今研究的热点问题。移动机器人和无线传感器网络相结合,可以扩展机器人的感知空间,增强机器人
  • 人工智能是当代最热门的IT领域,图像识别能力、数据分析能力都在不断提升,里程碑式出现了alphaGo,alphaZero等打本文针对异构群体机器人协作任务分配这一关键科学问题找了强相关的最新研究,并进行了总结分析。

    异构群体机器人协作任务分配(群体智能论文学习)

    1、题外话:无人机集群发展个人浅见

    当前限制无人机集群发展的技术瓶颈有:1、通信。带宽窄、自组网络难以达成、对wifi、4g或者zigbee的基站要求高,无法实现完全脱离中心通信的问题,这也是实现无人集群自主zz的关键问题。2、能源。目前小型无人机的运行时间基本在1h以下,多为半个小时,这与无人的耗能大、能源技术有限都有关,这也限制了无人机可携带负载、可覆盖区域、可处理计算等能力。3、自主性和智能性。当前的无人机智能还处于初级阶段,主要解决自主避碰和编队等基本问题,还未涉及更高级的飞行动作,态势分析能力弱,计算能力低下导致复杂算法并不能在机载计算机上实现,种种约束导致了当前无人机自主智能。

    当前5G技术的发展将会助力物联网时代的到来,也是无人时代的到来,极大可能解决不依托固定基站的无人机自组织网络的构建问题。能源技术也在不断发展,新能源汽车的快速发展也代表未来将会有更多的电力充电站、电池技术也将更加成熟,如果同样大小的电池能够提供更多电能,将极大解放无人集群的能力边界。人工智能是当代最热门的IT领域,图像识别能力、数据分析能力都在不断提升,里程碑式出现了alphaGo,alphaZero等打败人类最高围棋水平的人工智能,同时在机器人、飞行器制作等方面的技术也在不断提升,实现特技飞行、携带机枪等武器的无人机也已有了原型机。这些技术的发展趋势将会很好的解决当前制约无人机的几个难点。

    2、无人机集群在科幻电影中的精彩应用

    感兴趣的可以看看在电影《蜘蛛侠2》中的无人机应用模式。(链接传送

    3、进入正题:群体机器人协同任务分配问题

    群体机器人系统由于其冗余性、同时执行不同任务的能力以及容错能力,越来越多地被用于实现动态和复杂的目标[1,2]。然而,对于大型机器人群体,群体协调问题变得非常复杂,通常需要机器人之间的通信或能够访问群体全局信息的中心协调器[3]。这推动了分散协调控制算法的发展,其中机器人之间的简单交互导致实现各种目标所需的涌现特性,例如几何形态[4],任务分配[5,6],或者覆盖一个区域[7]。

    在群体机器人的众多任务中,分布式任务分配问题在近年来的控制和机器人学文献中得到了广泛的关注。最基本的问题是,一组机器人应该选择一个特定的任务,以便在多个候选任务之间进行最优分配。解决这些问题的许多工作已经被研究为基于博弈论的协商算法[8,9]、动态目标分配问题[10-15]、网络上的量化共识[16-18]或任务分配的随机策略[19,20]。这些动态分配方法通常需要机器人之间的显式通信。

    与前面的研究工作不同,基于群体智能的任务分配算法的灵感来源于群居昆虫由于其在群体中的自我组织和自我调节能力而成为集体行为。一个有趣的特征是在昆虫群落中经常发现的分工:蚂蚁的觅食和筑巢防御[21],蜜蜂的觅食和护理[22],花蜜和花粉收集[23]都是分工的例子。个体昆虫对环境的感知和认识非常有限,没有集中的协调机制来指导社会昆虫的合作行为。尽管它们的能力有限,但它们通过相互作用提高了整个系统的有效性、效率和鲁棒性,并展示了自适应任务分配以获得群体生存的共同目标

    对于分布式执行任务的机器人集群来说,这类生物启发式任务分配方法由于不依赖机器人间通信,可以很好适应拒止环境,且可以很容易地部署在性能有限的大规模廉价机器人上,不需要机器人之间的广泛协调,并且对意外的机器人故障具有鲁棒性,因此非常有吸引力

    许多基于群体智能的任务分配方法已经被提出[24-28]。在众多模型中,我们主要关注响应阈值模型[26, 27]。该模型基于对昆虫群体集体行为的观察,特别是蜜蜂和蚂蚁所做的工作,并提出了一个使用响应阈值调节分工的简单数学模型[29,27]。单个智能体基于任务强度和确定个体对执行任务的响应趋势的相应响应阈值来响应执行任务。根据不同的响应阈值,对同一任务强度产生不同的响应,这一特性决定了单个智能体是否有执行任务的倾向。这些特点对许多应用领域的研究都是一种启发,基于这个模型已经完成了许多不同的工作[30-34]。

    基于响应阈值的任务分配由于其分工是通过简单的规则来实现的,因此得到了广泛的研究。在这个模型中,获得合适的阈值分布对于获得期望的劳动分工很重要,并且研究了使用固定阈值可变阈值的各种工作。首先,研究了固定响应阈值模型作为解释分工规律的重要理论[27]。在群居昆虫中,两种普遍的模式在分工中起着一定的作用:年龄相关的任务执行模式和不同的工人的大小和/或形状[35]。已经研究了动态适应阈值的改进版本[36],其中研究了wasp群体如何协调100个个体活动和分配任务的计算模型。该模型基于强化学习模型[37]调节阈值以获得最佳阈值。执行后,通过降低执行任务的阈值和增加未执行其他任务的阈值来更新阈值。在这些重复行为的基础上,每一个个体对特定的任务都有一种专业化的倾向,这种倾向在一个群体中产生了更有效的分工。使用人工神经网络优化响应阈值模型[38]。

    在蜂群中,人们知道工蜂的年龄与它们通常执行的任务之间存在着相关性[39-44]。较年轻的工人执行内部任务(育儿护理和鸟巢维护),较年长的工人在蜂巢外执行觅食和防御任务。然而,这种趋势可以通过群体成员的年龄分布来灵活地改变。例如,在幼龄蜜蜂比例较高的群体中,蜜蜂开始觅食任务的年龄低于正常群体,年长蜜蜂的存在会延迟或抑制群体中其他幼龄蜜蜂生理年龄的发育。在Huang和Robinson的工作(1996)中,研究表明蜜蜂之间的工蜂相互作用驱动荷尔蒙调节机制,导致社会抑制。这一事实被用于基于社会抑制的任务分配的其他研究中[42-44]。Jones和Mataric(2006)对类似问题进行了研究,提出了一种基于数学模型的分工机制。其他有趣的研究集中在处理机器人群中任务分配的任务转移率[45, 46, 19],并表明适当选择任务转移率可以指导所需的任务分配。此外,还研究了描述任务转移动力学的宏观分析模型[20]。

    4、典型文章分析(7篇)

    (1)群体机器人系统任务分配的自适应调节方法

    在群体机器人系统中,任务分配问题一直是一个具有挑战性的问题。本文研究了多机器人在给定时间范围内并行采集多个目标的动态任务分配问题。提出了一种无需机器人间通信的响应阈值模型分散策略。在这里,我们为每个机器人引入了一个任务选择概率函数,以平衡任务需求和执行任务的机器人。该方法通过改变任务选择概率函数中给定的响应阈值,可以产生任务的变化趋势。使用此属性,每个机器人可以通过调整响应阈值在所有可用任务中选择自己的任务。这最终会在组级别促进所需的任务分布,并减少任务更改的数量。我们的方法建议根据最近观察到的物体和邻近机器人在周围区域观察到的任务来更新机器人的响应阈值。我们提供了一个收敛性分析,即系统可以随机收敛到期望任务分布的平衡点。即使只有局部的环境信息被赋予个体机器人,这种方法也是有效的。通过对多机器人执行觅食任务的仿真,验证了该方法的有效性,并给出了一个动态的任务分配过程[47]。
    仿真环境
    评述:该文章探讨了两类机器人(红绿,完成对应颜色的觅食任务),实验分析比较完善,但运动模型、任务模型、通信模型建立偏简单,有较大改进空间。

    (2)面向时间约束任务的局部蚁群算法

    我们提出了一种新的蚁群优化算法应用于有效地将一组齐次机器人分配给一组需要在特定期限内完成的任务。我们利用机器人之间的局部通信来周期性地评估分配方案的质量,并且智能体在高质量的方案中独立选择。使用信息素跟踪进行评估,以支持最小化任务执行时间的分配。我们的方法在静态和动态环境(即任务可用性随时间而变化)中使用不同的基于物理的模拟集进行了验证[48]。
    在这里插入图片描述
    评述:缺乏对照实验,只是针对自己工作不同的参数配置来进行实验分析;缺乏实机实验。

    (3)基于机器人相遇的机器人群闭环任务分配

    在群体机器人系统中,协调行为是通过机器人之间以及机器人与环境之间的局部交互而产生的。对于在封闭区域内执行一组预先定义的任务的机器人群,本文提出了一种分散机制,利用机器人在区域内移动时发生的空间交互,将任务分配给每个机器人。为了获得执行每项任务所需的群体百分比,开发的策略允许个体机器人在区域内遇到其他机器人时,以一定的概率在不同任务之间切换。我们利用Enskog稠密气体理论的思想,建立了一个分析模型来描述在稠密的机器人群中发生的机器人间相遇,并说明了群体如何利用这个模型来达到所需的分配水平。此外,机器人之间的相遇使机器人能够测量当前的温度分配,而温度的分配是使用或调节的在任务之间切换。这个根据当前分配与所需值之间的距离,允许软件接受或降低任务之间的传输速率,最终促进不间断任务由机器人执行。本文介绍的方法说明了如何利用群体中机器人之间自然发生的相遇,以闭环的方式将任务分配给机器人。所开发的算法是完全分散的,可以部署到最小的机器人上,以满足通信的需要。在一组实际机器人上验证了该算法的性能[49]。
    在这里插入图片描述

    (4)基于响应阈值Sigmoid模型的觅食机器人群体自主任务分配

    本文提出了一个任务分配模型,用于在一群觅食机器人中自动调整工作机器人的数量。在群体觅食中,觅食区的交通拥挤和机器人之间的物理干扰会显著降低群体的性能。首次引入交通流密度的概念,用以反映觅食区的交通状况。避障量是指群体觅食过程中产生的物理干扰次数。交通流密度和避障量共同调整阈值。在提出的响应阈值sigmoid模型(RTSM)中,个体机器人可以根据阈值和外部刺激自主决定是否觅食,群体系统可以完成预期的觅食任务。为了评价该方法的性能,进行了仿真实验。介绍了几种性能指标对实验结果进行分析,并与自适应响应阈值模型(ARTM)进行了比较。实验结果表明,RTSM提高了觅食效率,减少了物理干扰[50]。
    在这里插入图片描述

    (5)复杂任务中机器人群的人工进化自主任务分配

    群体机器人学是一个多机器人在没有任何形式的集中控制的情况下,自主地协调集体行为以完成给定任务的领域。在群体机器人中,任务分配是指机器人在不同的子任务上动态分布的行为,这是解决复杂任务所必需的。进化机器人技术是发展机器人群体集体行为的一种很有前途的方法。然而,人工进化常常会遇到两个问题:自举问题和欺骗问题,特别是当底层任务非常复杂时。为了克服这些困难,本文提出了一种由任务划分和自主任务分配两步组成的方案。我们进行了计算机模拟实验,其中机器人群必须完成一个复杂的集体觅食问题,结果表明,所提出的方法比传统的进化机器人方法更有效[51]。
    模型思路
    实验过程

    (6)基于局部交互的可扩展群体机器人系统中的自主角色分配与任务分配

    提出了一种基于响应阈值模型的可扩展群体机器人系统局部交互自主角色分配和任务分配方法。响应阈值描述了蚂蚁对信息素的敏感性。在现实生活中,存在着信息素敏感性高和低的蚂蚁。蚂蚁的信息素敏感性与自主角色分配和任务分配有关。在传统的响应阈值模型中,假设一只蚂蚁可以获得蚁群中所有工人的数量。然而,蚂蚁的功能非常有限,很难获得和处理所有的工作人员。因此,我们使用一个响应阈值模型,该模型引用所遇到的觅食蚂蚁的数量,而不是所有工作人员的数量。在本研究中,我们将所提出的方法应用于蚁群觅食问题,并展示了所提出方法在动态环境下的稳健性[52]。
    实验过程

    (7)异构空中机器人群最小需求协同任务的集成决策框架

    在多任务空间分布的协同任务环境下,空中机器人群的决策问题包括团队组建、团队对任务分配、agent对工作位置分配和避免碰撞的轨迹优化。当涉及到异构智能体、任务的最小需求和公平分配时,问题变得更加复杂。本文将所有的组合问题列为一个优化问题,然后提出一个以分散方式解决问题的集成框架。我们将复杂的原始问题近似分解为三个子问题(即联盟形成、位置分配和路径规划),这些子问题由三个不同的模块依次处理。以博弈论为基础的联盟形成模块处理一个最大-最小问题,其目标是将代理划分成不相交的任务特定团队,使代理的工作资源与任务的最小工作量要求成比例。对于分配给同一任务的代理,在合理的假设下,位置分配子问题可以从计算复杂度的角度得到有效的解决。在轨迹优化方面,我们采用了模型预测控制和序列凸规划算法,减小了问题的规模,使智能体能够实时生成无碰撞的轨迹。作为概念验证,将该框架应用于无人机群协同待命干扰任务场景中,通过数值实验验证了其可行性、容错性和近似最优性[53]。
    概念图在这里插入图片描述
    在这里插入图片描述

    参考文献

    [1] Brambilla, M., Ferrante, E., Birattari, M., & Dorigo, M. (2013). Swarm robotics: A review from the swarm engineering perspective. Swarm Intelligence, 7(1), 1–41.
    [2] Sahin, E. (2005). Swarm robotics: From sources of inspiration to domains of application. In E. ¸ Sahin & W. M. Spears (Eds.), Swarm robotics (pp. 10–20). Berlin: Springer.
    [3] Iocchi, L., Nardi, D., & Salerno, M. (2001). Reactivity and deliberation: A survey on multi-robot systems. In M. Hannebauer & J. Wendler (Eds.), Balancing reactivity and social deliberation in multi-agent systems (pp. 9–32). Berlin: Springer.
    [4] Cheah, C. C., Hou, S. P ., & Slotine, J. J. E. (2009). Region-based shape control for a swarm of robots. Automatica, 45(10), 2406–2411.
    [5] Berman, S., Halász, Á., & Hsieh, M. (2016). Ant-inspired allocation: Top-down controller design for distributing a robot swarm among multiple tasks (pp. 243–274). Boca Raton: CRC Press.
    [6] Berman, S., Halász, Á., Hsieh, M. A., & Kumar, V . (2009). Optimized stochastic policies for task allocation in swarms of robots. IEEE Transactions on Robotics, 25(4), 927–937.https://doi.org/10.1109/TRO.2009.2024997.
    [7] Cortes, J., Martinez, S., Karatas, T., & Bullo, F. (2004). Coverage control for mobile sensing networks. IEEE Transactions on Robotics and Automation, 20(2), 243–255.
    [8] G. Arslan, J. R. Marden, J. S. Shamma, Autonomous vehicle-target assignment:
    A game-theoretical formulation, Journal of Dynamic Systems, Measurement, and
    Control 129 (5) (2007) 584–596.
    [9] R. Cui, J. Guo, B. Gao, Game theory-based negotiation for multiple robots task 560
    allocation, Robotica 31 (06) (2013) 923–934.
    [10] D. Castanon, C. Wu, Distributed algorithms for dynamic reassignment, in: Decision
    and Control, 2003. Proceedings. 42nd IEEE Conference on, Vol. 1, IEEE, 2003, pp.
    13–18.
    [11] S. L. Smith, F. Bullo, Monotonic target assignment for robotic networks, Automatic 565
    Control, IEEE Transactions on 54 (9) (2009) 2042–2057.
    [12] D. Zou, H. Liu, L. Gao, S. Li, An improved differential evolution algorithm for the
    task assignment problem, Engineering Applications of Artificial Intelligence 24 (4)
    (2011) 616–624.
    [13] A. T. Tolmidis, L. Petrou, Multi-objective optimization for dynamic task allocation 570
    in a multi-robot system, Engineering Applications of Artificial Intelligence 26 (5)
    (2013) 1458–1468.
    [14] W. Lee, D. Kim, Handling interference effects on foraging with bucket brigades,
    Bioinspiration & biomimetics 12 (6) (2017) 066001.
    [15] W. Lee, D. Kim, Autonomous shepherding behaviors of multiple target steering 575
    robots, Sensors 17 (12) (2017) 2729.
    [16] A. Kashyap, T. Ba¸ sar, R. Srikant, Quantized consensus, Automatica 43 (7) (2007)
    1192–1203.
    [17] M. P. Fanti, A. M. Mangini, W. Ukovich, A quantized consensus algorithm for
    distributed task assignment, in: Decision and Control (CDC), 2012 IEEE 51st 580
    Annual Conference on, IEEE, 2012, pp. 2040–2045.
    [18] C.-Y. Hsu, B.-R. Kao, K. R. Lai, et al., Agent-based fuzzy constraint-directed ne-
    gotiation mechanism for distributed job shop scheduling, Engineering Applications
    of Artificial Intelligence 53 (2016) 140–154.
    [19] S. Berman,Á. Hal´ asz, M. A. Hsieh, V. Kumar, Optimized stochastic policies for 585
    task allocation in swarms of robots, Robotics, IEEE Transactions on 25 (4) (2009)
    927–937.
    [20] T. W. Mather, M. A. Hsieh, Macroscopic modeling of stochastic deployment poli-
    cies with time delays for robot ensembles, The International Journal of Robotics
    Research (2011) 0278364911401442.
    [21] C. Detrain, J. Pasteels, Caste differences in behavioral thresholds as a ba-
    sis for polyethism during food recruitment in the ant, pheidole pallidula
    (nyl.)(hymenoptera: Myrmicinae), Journal of insect behavior 4 (2) (1991) 157–176.
    [22] N. W. Calderone, R. E. Page Jr, Temporal polyethism and behavioural canalization
    in the honey bee, apis mellifera, Animal behaviour 51 (3) (1996) 631–643. 595
    [23] K. P. Visscher, R. Dukas, Honey bees recognize development of nestmates’ ovaries,
    Animal Behaviour 49 (2) (1995) 542–544.
    [24] C. Tofts, Algorithms for task allocation in ants.(a study of temporal polyethism:
    theory), Bulletin of Mathematical Biology 55 (5) (1993) 891–918.
    [25] E. Bonabeau, G. Theraulaz, J.-L. Deneubourg, Quantitative study of the fixed 600
    threshold model for the regulation of division of labour in insect societies, Proceed-
    ings of the Royal Society of London. Series B: Biological Sciences 263 (1376) (1996)
    1565–1569.
    [26] E. Bonabeau, A. Sobkowski, G. Theraulaz, J.-L. Deneubourg, Adaptive task allo-
    cation inspired by a model of division of labor in social insects., in: BCEC, 1997, 605
    pp. 36–45.
    [27] G. Theraulaz, E. Bonabeau, J. Denuebourg, Response threshold reinforcements and
    division of labour in insect societies, Proceedings of the Royal Society of London.
    Series B: Biological Sciences 265 (1393) (1998) 327–332.
    [28] M. Dorigo, G. Caro, L. Gambardella, Ant algorithms for discrete optimization, 610
    Artificial life 5 (2) (1999) 137–172.
    [29] E. Bonabeau, G. Theraulaz, J.-L. Deneubourg, Fixed response thresholds and the
    regulation of division of labor in insect societies, Bulletin of Mathematical Biology
    60 (4) (1998) 753–807.
    [30] E. L. Mansfield, F. Karayanidis, S. Jamadar, A. Heathcote, B. U. Forstmann, Ad- 615
    justments of response threshold during task switching: a model-based functional
    magnetic resonance imaging study, The Journal of neuroscience 31 (41) (2011)
    14688–14692.
    [31] E. Castello, T. Yamamoto, Y. Nakamura, H. Ishiguro, Task allocation for a robotic
    swarm based on an adaptive response threshold model, in: Control, Automation 620
    and Systems (ICCAS), 2013 13th International Conference on, IEEE, 2013, pp.
    259–266.
    [32] M.-H. Kim, H. Baik, S. Lee, Response threshold model based uav search planning
    and task allocation, Journal of Intelligent & Robotic Systems 75 (3-4) (2014) 625–
    640. 625
    [33] A. Kanakia, J. Klingner, N. Correll, A response threshold sigmoid function model
    for swarm robot collaboration, in: Distributed Autonomous Robotic Systems,
    Springer, 2016, pp. 193–206.
    [34] W. Lee, D. Kim, History-based response threshold model for division of labor in
    multi-agent systems, Sensors 17 (6) (2017) 1232. 630
    [35] L. Sundstrom, Sex allocation and colony maintenance in monogyne and polygyne
    colonies of formica truncorum (hymenoptera: Formicidae): the impact of kinship
    and mating structure, American Naturalist (1995) 182–201.
    [36] V. A. Cicirello, S. F. Smith, Wasp-like agents for distributed factory coordination,
    Autonomous Agents and Multi-agent systems 8 (3) (2004) 237–266. 635
    [37] R. S. Sutton, A. G. Barto, Introduction to reinforcement learning, MIT Press, 1998.
    [38] P. Lichocki, D. Tarapore, L. Keller, D. Floreano, Neural networks as mechanisms
    to regulate division of labor, The American Naturalist 179 (3) (2012) 391–400.
    [39] E. O. Wilson, et al., The insect societies., The insect societies.
    [40] M. L. Winston, The biology of the honey bee, Harvard University Press, 1991. 640
    [41] Z.-Y. Huang, G. E. Robinson, Regulation of honey bee division of labor by colony
    age demography, Behavioral Ecology and Sociobiology 39 (3) (1996) 147–158.
    [42] S. N. Beshers, J. H. Fewell, Models of division of labor in social insects, Annual
    review of entomology 46 (1) (2001) 413–440.
    [43] S. Beshers, Z. Huang, Y. Oono, G. Robinson, Social inhibition and the regulation of 645
    temporal polyethism in honey bees, Journal of Theoretical Biology 213 (3) (2001)
    461–479.
    [44] K. Lerman, C. Jones, A. Galstyan, M. J. Matari´ c, Analysis of dynamic task alloca-
    tion in multi-robot systems, The International Journal of Robotics Research 25 (3)
    (2006) 225–241. 650
    [45] A. Hal´ asz, M. A. Hsieh, S. Berman, V. Kumar, Dynamic redistribution of a swarm
    of robots among multiple sites, in: Intelligent Robots and Systems, 2007. IROS
    2007. IEEE/RSJ International Conference on, IEEE, 2007, pp. 2320–2325.
    [46] M. A. Hsieh,Á. Hal´ asz, S. Berman, V. Kumar, Biologically inspired redistribution
    of a swarm of robots among multiple sites, Swarm Intelligence 2 (2) (2008) 121–141.
    [47] W. Lee, D. Kim, Adaptive approach to regulate task distribution in swarm
    robotic systems, Swarm and Evolutionary Computation BASE DATA (2018), doi: https://doi.org/10.1016/j.swevo.2018.11.005.
    [48] Khaluf Y , Vanhee S , Simoens P . Local Ant System for Allocating Robot Swarms to Time-constrained Tasks[J]. Journal of Computational ence, 2018, 31.
    [49] Mayya S , Wilson S , Egerstedt M . Closed-loop task allocation in robot swarms using inter-robot encounters[J]. Swarm Intelligence, 2019, 13(2):115-143.
    [50] Pang B , Song Y , Zhang C , et al. Autonomous Task Allocation in a Swarm of Foraging Robots: An Approach Based on Response Threshold Sigmoid Model[J]. International Journal of Control Automation & Systems, 2019.
    [51] Wei Y , Hiraga M , Ohkura K , et al. Autonomous task allocation by artificial evolution for robotic swarms in complex tasks[J]. Artificial Life & Robotics, 2018.
    [52] Yamada K . Autonomous role assignment and task allocation in scalable swarm robotic systems using local interactions[J]. Artificial Life and Robotics, 2018, 23(4):636-644.
    [53] Jang I , Shin H S , Tsourdos A , et al. An integrated decision-making framework of a heterogeneous aerial robotic swarm for cooperative tasks with minimum requirements[J]. Proceedings of the Institution of Mechanical Engineers Part G Journal of Aerospace Engineering, 2018:095441001877262.
    欢迎大家点赞、评论、收藏、关注~

    展开全文
  • 主要研究群体机器人系统协同适应性,通过局部信息交互下的分布式控制实现群体对复杂环境的适应.以同步现象为研究对象,结合虚拟力、最近邻居原则以及环境因素,提出了一种可以解释该现象的分布式控制器.并证明该控制器...
  • ARDebug是使用增强现实技术实时监视和调试群体机器人和多机器人实验的工具。 该软件提供了一个GUI,用于显示群内每个机器人以无线方式报告的内部数据。 使用数据的可视化表示,该数据可用于增强机器人及其环境的实时...
  • #资源达人分享计划#
  • 一文详解群体机器人中的实体进化.pdf
  • 研究速度信息未知情形下的群体机器人集结控制问题. 分别针对未设置虚拟领导者和设置虚拟领导者两种 情形, 提出了仅考虑位置信息的观测器和具有网络连通性保持的分布式控制方法. 理论分析表明该算法具有网络连...
  • 基于摄像头的群体机器人的控制算法研究.pdf
  • 针对群体机器人系统的动力学模型中动态环境下的同步问题,利用个体之间的相互距 离提出了连接矩阵的方法,设计了基于局部信息交互的分布式控制器,并利用Barbalat引理进 行了稳定性分析。该控制器无论是在切换拓扑还是...
  • 模块化群体机器人构型分析与自组装控制.pdf
  • #资源达人分享计划#
  • 人工智能-机器学习-群体机器人系统合作控制问题研究.pdf
  • #资源达人分享计划#
  • 群体机器人

    2018-01-15 15:03:00
    micros_swarm_frameworkros提供的编程框架,通过提供适当的群体抽象以及群体管理工具,各种通信机制,使群体机器人的编码更容易。它还为用户提供基本的数据结构,如Neighbor,Swarm和Virtual Stigmergy。 最重要的...
  • DNA计算是基于DNA分子生化反应,能够在DNA计算机上实现的算法。它具有高度并行性、容量大、速度快等特点。同传统电子计算机一样,它也是以加、减、乘、除等简单算术运算和异或等逻辑运算为基本运算单元。...
  • #资源达人分享计划#
  • 基于K-means聚类算法的群体机器人聚集队形控制.pdf
  • #资源达人分享计划#
  • 基于基于Voronoi的动态方法搜索群体机器人的区域覆盖率

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,893
精华内容 5,157
关键字:

群体机器人