机器人/计算机控制/控制架构/群体机器人
群体机器人是自主机器人领域中一项相对较新的研究。群体优化技术已经存在十多年，用于一些功能。这些技术最近已被改编并应用于自主机器人应用。在群体机器人这个主题上，"群体"这个词被定义了几种变体。第一次听到“群体机器人”这个短语，很多人只是想到机器人的基本交互，例如跟随领导者，或者简单地将数据在所有机器人之间中继，共同朝向一个目标。然而，群体机器人技术在复杂问题解决方面取得了进一步的进展。机器人现在可以被赋予一个目标和一个关于如何实现该目标的基本建议。这个建议可能不是实现目标的最有效方法，甚至可能无法实现目标。因此，必须有一种方法来改进或优化这个建议。然后引入优化功能。这里涵盖的几种技术包括蚁群优化 (ACO) 和粒子群优化 (PSO)。这些优化功能将在下面深入探讨。
如前所述，基本群体机器人包括简单的功能，例如跟随领导者和机器人之间的交互，例如标记。在这些场景中，机器人不会积极改进其当前目标。它们只是按照基本原则相互交互，以实现预定义的目标。
- 欧盟资助：I-SWARM
如上图所示，群体机器人技术在微型机器人领域中经常出现，这是由于许多因素造成的。其中一个主要因素是尺寸本身。由大型机器人组成的群体机器人可能体积庞大、价格昂贵且数据收集效率低下。显然，尺寸确实限制了板载设备，但这就是群体机器人技术优势所在。所有机器人的共同作用为情况提供了更多细节，从而提供完整的图像。上面由欧盟资助的群体机器人旨在将所有电气部件整合到一个灵活的板上。该群体目前没有重大待定目标，其行为模拟了生物昆虫。
- 莱斯大学：James McLurkin
James McLurkin 是莱斯大学的助理教授，他开发了自己的 DARPA 资助的群体机器人。他的实验探索了物理数据结构，例如根据 ID 号码排列群体机器人。除此之外，他还编写了一个均匀分散算法。其他群体机器人研究包括他对机器人速度比的研究，即研究消息传播速度与机器人物理速度之间的关系。这项研究是为了发现机器人移动速度快于其物理解释中继消息速度的问题。
- 卡内基梅隆大学：磁性群体机器人
卡内基梅隆大学正在进行一项磁性群体机器人研究。该项目的目的是开发一个群体机器人，能够在没有任何平面限制的情况下进行磁性形状变化。这可以在微观水平上用作三维物理建模辅助工具。上面图片中的机器人使用一系列电磁体来控制相邻机器人之间的交互。
- 布鲁塞尔自由大学 ("L'Université libre de Bruxelles")
ULB 的几个 IRIDIA 项目涉及群体智能。他们的一些软件和硬件设计发布在 GitHub 上。
ACO 是最简单的群体优化技术之一，已被证明可以可靠地工作。这种优化技术直接源于自然本身，表明它已经是可行的解决方案。这个概念需要对蚂蚁在自然界中的运作方式有一个简要的了解。请记住，此定义已针对我们“完美”的示例进行了调整。在自然界中，蚂蚁会随机游走。如果一只蚂蚁发现食物，它会开始释放信息素并开始返回巢穴。在某个时刻，另一只蚂蚁会发现食物并返回巢穴。这个循环会发生很多次。如果一只返回蚁群的蚂蚁发现这些信息素痕迹之一，它更有可能沿着痕迹行走。如果遇到岔路，则会通过信息素强度进行偏差。这意味着，蚂蚁更有可能沿着信息素强度更强的痕迹行走。信息素是挥发性的，会随着时间的推移而蒸发。这意味着，沿着某条路径行走的蚂蚁越多，释放的信息素就越多。然而，如果相同数量的蚂蚁在相同时间段内沿着一条长路径和一条短路径行走，那么短路径的信息素强度会更高。这意味着偏差将始终倾向于更短、更高效的路径，从而自然地选择最佳解决方案。
这个过程可以在我们的电子世界中进行模拟。建立一个拟议的解决方案，并且“蚂蚁”导航到该解决方案。然后修改初始解决方案以创建最有效的解决方案。下面是 ACO 的基本描述。可以看到，最初建立了两条路径，它们在中间重叠。这两条路径为优化问题提供了四种可能的解决方案。“蚂蚁”然后随机遍历所有四种可能性。通过信息素缩小可能性。所有四种解决方案都由相同数量的蚂蚁遍历，但较短的解决方案具有更高的信息素强度，从而使更多蚂蚁倾向于较短的路径，从而消除所有其他解决方案，并收敛于最佳拟合解决方案。
PSO 进一步远离随机函数，走向一个更智能的解决方案。PSO 功能的大部分模拟了自然关联，例如鸟群或鱼群。在 PSO 函数中，首先提供一个通用的解决方案。然后初始化一群“粒子”。它们开始尝试到达目标。当它们向目标移动时，它们会监控其自身位置用户定义范围内的某些其他粒子。它们周围的粒子有助于形成局部最优 (lbest)。这是迄今为止发现的最合适的解决方案。每个粒子还会监控其个人最优 (pbest) 和迄今为止的全局最优 (gbest)。请记住，在一些模拟中，lbest=gbest，并且彼此周围的粒子不会互相产生局部影响。然后，粒子会朝着 lbest 和 pbest 以及 gbest 的组合进行偏差。它们的新速度向量还包括一个随机缩放因子，以防止过早收敛于无效解决方案。下面提供了一个方程，用于提供对监控其 pbest 和 gbest 的群体机器人的基本了解。
General PSO Equation
![{\displaystyle v[]=v[]+c1*rand()*(pbest[]-present[])+c2*rand()*(gbest[]-present[])(a)present[]=persent[]+v[](b)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/a4087f93731776f792a7384b5b5463b8c44e0fb1)
此方程还提供了学习因子，在本例中，这些学习因子被缩放为“2”。从这个方程中我们可以看到，新的速度等于 pbest-当前和 gbest-当前之差的缩放值的总和。可以看到，这种优化技术为问题的最佳拟合解决方案提供了一个非常准确的收敛。
- 上面提供了一个指向开发的 Java 小程序的链接，以帮助理解 PSO 的操作。动画小程序可以从这里找到。