机器人群中形状组装的均值漂移探索
由于生物系统令人着迷的集体行为6,7,8,9，机器人群的形状组装已被广泛研究。 在文献中，一类策略基于集中或分散方式的目标分配10,11和12。在为群体分配所需形状的独特目标后，只需为机器人规划无碰撞路线，以便它们 可以到达目标位置10，或使用本地感测数据进行分布式编队控制6,13,14。 随着机器人数量和规模的增加，集中式目标分配的计算复杂性也会增加15,16。 此外，当机器人无法按预期运行时，需要额外的算法进行容错检测和目标重新分配来处理这些情况17。 另一方面，分布式目标分配可以通过将集中式分配分解为本地目标来支持大规模群体11,12。 这也使得它对机器人故障更加鲁棒。 由于分布式目标分配是基于本地信息的，因此本地分配之间的冲突是不可避免的。 它们必须使用复杂的算法来解决，例如本地任务切换11,12。
另一类形状组装策略也引起了广泛的研究关注，它们没有目标分配18,19,20,21。 参考文献中描述的方法。 18 可以使用数千个同质机械臂组装复杂的形状。 这种方法有一个有趣的特点：它不依赖于外部全球定位系统。 相反，它建立了一个基于少量预定位机器人的本地定位系统。 由于本地定位系统，所提出的边缘跟踪控制方法要求仅允许群边缘的机器人移动，而群内的机器人必须保持静止。 参考文献中描述的方法。 19号可以通过反应扩散网络产生群体形状，类似于自然界的胚胎发生。 此方法无法生成用户精确指定的形状。 参考文献中描述的方法。 21 可以根据显着性聚合机器人。 数字光投影仪指定用户定义的形式。 这种方法有一个有趣的特点，即它不需要集中边缘检测器。 相反，边缘检测是通过将机器人与其邻居的信念相结合来实现的。 由于机器人无法相对于所需的形状进行自我定位，因此它们使用随机游走来寻找边缘。 这将导致随机轨迹。 人工势场是另一类不需要目标分配的方法22,23.24.25。 这类方法的局限性在于机器人很容易陷入局部极小值。 组装复杂的非凸形状很困难。
我们提出了一种基于均值漂移探索的形状组装机器人群策略。 当机器人发现自己被其他机器人包围，并且处于无人占据的位置时，它会主动离开当前位置，寻找附近最无人的地方。 这个想法不依赖于目标分配。 这是通过采用均值平移算法来实现的26,27.28。 这是一种广泛应用于机器学习中的优化技术，用于寻找密度函数的最大值。 分布式协商机制允许机器人以分布式方式与邻居协商最终期望的形式。 协商机制允许群体依靠一些消息灵通的机器人来维持所需的形状。 该策略允许机器人群组装具有高适应性的复杂非凸形状，这已经通过数值模拟和 50 个地面机器人的实际测试得到验证。 可以修改该策略以产生有趣的行为，例如形状再生、协作货物运输或复杂环境探索。
来源和详细信息：
https://www.nature.com/articles/s41467-023-39251-5