- 机器人作为群的一部分
- Swarm Robotics如何从社交昆虫中得到启发
- 机器人群的特征
- 多机器人系统和群机器人
- 与单机器人相比，多机器人系统的优势
- 群机器人的实验平台
- 群机器人中用于各种任务的算法和技术
- 群体机器人技术的实际应用
交互，理解并响应情况是人类的最大特征，而这些正是使我们成为现实的事物。我们出生于一个社会社会，我们一向知道我们是自地球诞生以来最有礼貌的社交生物。
社会文化和相互帮助实现共同目标的互动不仅存在于人类中，而且还存在于地球上的其他物种中，例如一群鸟，鱼或蜜蜂，它们具有的共同点是集体行为。当鸟类迁徙时，它们经常见到的是它们所在的组，该组由其组的主要成员领导，并且所有人都跟随它们，并且它们的组被设计为特定的几何形状，尽管它们对形状和图形没有感觉。小组的组成也应使小组的高级成员处于边界，而年轻人或新生儿处于中心。
在火蚁中发现了相同的特征，这些蚂蚁与其他种类的蚂蚁有些不同，并且特别以其群体行为而闻名，它们聚在一起，聚在一起吃，它们一起保护着免受猎物的殖民地，基本上他们知道当他们在一起时，他们可以取得更大的成就。最近对这些蚂蚁的群体行为进行了一项研究，发现它们能够在需要时制造坚固的结构，例如在需要时搭建一个小的跨界桥梁。
这些社交动物的集体行为和昆虫的帮助使他们尽管受到所有限制，却取得了更多成就。研究人员已经证明，这些群体的个人不需要任何代表或复杂的知识就能产生这种复杂的行为。在社交昆虫中，动物和鸟类的个体不了解该殖民地的全球状况。群的知识遍及所有代理，在这种情况下，如果没有群的其余部分，一个人将无法完成其任务。如果可以将这种集体感知带入一组机器人，该怎么办？这就是群机器人技术，我们将在本文中详细了解。
机器人作为群的一部分
我们生活的环境给我们很大的启发，我们很多人从自然和环境中汲取灵感，像莱昂纳多·达·芬奇这样的著名发明家做得非常好，在当今世界的设计中可以看到这一点。我们也采用相同的流程来解决设计和工程问题，例如子弹头的机头是从翠鸟的喙中汲取灵感的，从而使它更快，更节能，产生的噪音更少。在隧道中，有一个专门为这个术语创造的术语，称为仿生学。
因此，要解决复杂的任务，即人工干预困难并且具有比普通机器人更高的复杂性，就像某些用例一样，在某些用例中，建筑物由于地震而倒塌，人们在混凝土下感到沮丧，这肯定是这个问题需要某种机器人，它可以一次运行多个任务，并且足够小以使其通过具体的工作，并首先帮助获得人类生存的信息，所以您想到的是一群小的小型机器人足够自主地创建自己的方式并获取信息，它肯定会模仿某种昆虫或苍蝇，因此，这种群体机器人技术排在第一位，这里是更为正式的一种。群机器人是一个多机器人领域，其中大量机器人以分布式和分散的方式进行协调。它是基于本地规则的使用，小型的简单机器人受到社交昆虫的集体行为的启发，因此，许多简单的机器人可以比单个机器人更有效地胜过复杂的任务，从而为团队提供了鲁棒性和灵活性。
组织和团体是从个体之间以及个体与封闭环境之间的相互作用中产生的，这些相互作用分散在整个殖民地中，因此殖民地可以解决仅由一个个体难以解决的任务，这意味着朝着共同目标努力。
Swarm Robotics如何从社交昆虫中得到启发
多机器人系统保持了社交昆虫的某些特征，如健壮性，即使某些人失败或周围环境受到干扰，机器人群也可以工作。灵活性强，该群体能够为不同的任务创建不同的解决方案，并能够根据需要改变每个机器人的角色。可伸缩性，该机器人群能够以不同的小组规模工作，从几个人到成千上万的人。
机器人群的特征
如所述，简单的机器人群具有社交昆虫的特征，其列举如下。
1.机器人群必须是自主的，并且能够在真实环境中感知并采取行动。
2.群中的机器人数量必须足够大，以便将它们的每个任务作为一个组来支持。
3.群中应该有同质性，群中可以有不同的组，但它们不应太多。
4.群的单个机器人就其主要目标而言必须是无能的且效率低下的，也就是说，它们需要协作才能成功并提高性能。
5.所有机器人都必须仅具有与群的相邻伙伴的局部感测和通信功能，这可以确保群的协调性是分布式的，并且可伸缩性成为系统的特性之一。
多机器人系统和群机器人
群机器人技术是多机器人系统的一部分，并且作为一个整体，它们的多个轴具有一些特征，这些特征定义了它们的群体行为
集合体大小：集合体大小是SIZE-INF，即N >> 1，与SIZE-LIM相反，后者的机器人N的数量小于其放入的各自环境大小。
通讯范围：通讯范围为COM-NEAR，因此机器人只能与距离足够近的机器人进行通讯。
通信拓扑：群中机器人的通信拓扑通常为TOP-GRAPH，机器人以一般的图形拓扑链接。
通信带宽：通信带宽为BAND-MOTION，两个机器人之间的通信成本与在位置之间移动机器人的成本相同。
集体可重新配置性：集体可重新配置性通常是ARR-COMM，这是与通信成员进行协调的安排，但也可以是ARR-DYN，即动态安排，位置可以随机更改。
处理 能力：处理能力是PROC-TME，其中计算模型是与调谐机等效的。
集体构成：集体构成是CMP-HOM，这意味着机器人是同质的。
与单机器人相比，多机器人系统的优势
- 任务并行性：我们都知道任务是可分解的，并且我们都知道敏捷开发方法，因此，通过使用并行性，小组可以使任务更有效率地执行。
- 任务使能：一组比单个组更强大，并且适用于群体机器人，一组机器人可以使任务执行某些任务，而单个机器人无法完成某些任务
- 感知中的分布：由于群体具有集体感知，因此它的感知范围比单个机器人的范围更大。
- 分配动作：一组机器人可以同时在不同位置执行不同的动作。
- 容错：组中的一组机器人中的单个机器人发生故障并不表示该任务将失败或无法完成。
群机器人的实验平台
群体机器人技术使用了不同的实验平台，其中涉及使用不同的实验平台和不同的机器人模拟器来刺激群体机器人技术的环境，而无需实际的硬件。
1.机器人平台
不同实验室的群机器人实验中使用了不同的机器人平台
（i）Swarmbot
所使用的传感器：它具有各种传感器来帮助漫游器，其中包括距离传感器和摄像头。
运动：它使用轮子从一个移动到另一个。
开发：美国莱斯大学开发
描述： SwarmBot是赖斯大学为研究开发的群体机器人平台。一次充电可以自动工作约3个小时，这些机器人也可以自行发现并停靠在墙上的充电站。
（ii）科博特
使用的传感器：涉及距离传感器，视觉传感器和指南针的使用。
运动：它使用轮子进行运动
开发者：它是在土耳其中东技术大学的KOVAN研究实验室中开发的。
描述： Kobot是专门为研究群体机器人而设计的。它由多个传感器组成，使其成为执行各种群体机器人情况（如协调运动）的理想平台。一次充电即可自动工作10个小时。它还包括一个可手动充电的可更换电池，它主要用于实现自组织方案。
（iii）S-bot
使用的传感器：它利用各种传感器来使事物正常工作，例如光，红外，位置，力，速度，温度，湿度，加速度和麦克风的传感器。
动作：它使用附着在其基座上的treels进行运动。
由以下人员开发：由瑞士洛桑联邦理工学院（EPFL）开发。
描述： S-bot是有史以来构建的几种胜任且强大的群体机器人平台之一。它具有独特的抓手设计，能够抓取物体和其他S型机器人。此外，一次充电大约可以锻炼1小时。
（iv）茉莉花机器人
使用的传感器：它利用距离和光线传感器。
开发者：由德国斯图加特大学开发。
运动：它在车轮上移动。
描述：茉莉花移动机器人是一个群体机器人平台，已在许多群体机器人研究中使用。
（v）电子冰球
使用的传感器：它使用各种传感器，例如距离，摄像头，方位，加速度和麦克风。
由瑞士洛桑联邦理工学院（EPFL）开发
运动：它基于车轮运动。
Description： E-puck主要用于教育目的，是最成功的机器人之一。但是，由于其简单性，它也经常用于群体机器人技术研究。它具有用户可更换的电池，工作时间为2-4小时。
（vi）Kilobot
使用的传感器：它结合了距离传感器和光传感器。
开发者：美国哈佛大学
运动：它将系统的振动用于系统主体的运动。
描述： Kilobot是一个中等程度的群体机器人平台，具有小组充电和小组编程的独特功能。由于其简单性和低功耗，它的正常运行时间长达24小时。机器人在特殊的充电站中按组手动充电。
2.模拟器
机器人模拟器解决了在人工模拟的真实环境参数中测试机器人信誉的工作所需的硬件问题。
有许多机器人模拟器可用于多机器人实验，更具体地说，可用于群体机器人实验，所有这些机器人模拟器的技术方面，许可和成本上都不同。群机器人和多机器人平台的一些模拟器如下：
- SwarmBot3D： SwarmBot3D是针对多机器人的模拟器，但专门为SwarmBot项目的S-Bot机器人设计。
- Microsoft Robotics Studio：Robotic Studio是Microsoft开发的模拟器。它允许进行多机器人仿真，并且需要Windows平台才能运行。
- Webots： Webots是一个现实的移动模拟器，它允许使用已经建立的真实机器人模型进行多机器人仿真。它可以通过应用现实世界的物理学来模拟真实的碰撞。但是，当与更多的机器人一起工作时，其性能会下降，这使得使用大量机器人进行仿真变得困难。
- 播放器/舞台/凉亭：播放器/舞台/凉亭是具有多种机器人功能的开放源代码模拟器，并且有大量可供使用的可用机器人和传感器。它可以很好地处理2D环境中的群体机器人实验的模拟，并且效果非常好。环境中的人口规模可以实时扩展到1000个简单机器人。
群机器人中用于各种任务的算法和技术
在这里，我们将探索群体机器人技术中用于各种简单任务（如聚合，分散等）的各种技术。这些任务是群体机器人技术中所有高端工作的基本初始步骤。
聚合：聚合使所有的bot聚集在一起，这是其他复杂步骤（例如模式形成，自组装，交换信息和集体移动）中真正重要的第一步。机器人使用诸如接近传感器和麦克风之类的传感器，它们借助诸如扬声器之类的促动器使用声音交换机制。传感器帮助单个机器人找到距离最近的机器人，该机器人也成为该组的中心，在此机器人必须完全专注于位于该组中心的另一个机器人，并以相同的过程到达该组其次是群的所有成员，这些成员可以使所有成员聚集在一起。
分散：当机器人聚集在一个位置时，下一步就是将它们分散在作为单个组成成员的环境中，这也有助于探索每个机器人组成的环境留待探索时作为单个传感器。已经提出了各种算法并将其用于机器人的分散，方法之一包括用于机器人分散的势场算法，其中机器人被障碍物击退，而其他机器人则允许群体环境线性分散。
其他方法之一涉及基于读取无线强度信号进行分散，无线强度信号允许机器人在不知道其最近邻居的情况下进行分散，它们只是捕获无线强度并将其布置以便将它们分散在周围环境中。
模式的形成：群体机器人中模式的形成是其集体行为的主要特征，当要解决涉及整个团队一起工作的问题时，这些模式将非常有帮助。在模式形成中，机器人通过更改各个机器人仅具有局部信息的各个机器人的部分来创建全局形状。
一群机器人形成具有内部和外部定义形状的结构。使粒子/机器人聚集在所需形式中的规则是局部的，但是出现了整体形状，而没有关于群体单个成员的任何整体信息。该算法在相邻粒子之间使用虚拟弹簧，并考虑到它们有多少个相邻粒子。
集体运动：如果一个团队都无法共同解决问题，那这意味着什么呢？集体运动是一种使一组机器人协调并使其凝聚在一起的方式。这是完成一些集体任务的基本方式，可以分为形成和植绒两种类型。
集体运动的方法很多，但是只有那些允许通过越来越多的机器人进行扩展的方法才值得关注，其中每个机器人都可以识别其邻居的相对位置，并对各自的作用力产生反作用或吸引力，从而形成集体运动的结构。
分配任务：任务分配是基于分工的群体机器人技术中的一个问题区域。但是，分工有多种方法，其中一种方法是，每个机器人都会观察其他机器人的任务，并保持相同的历史记录，然后可以更改自己的行为以使其适应任务，这种方法基于八卦通信，并且肯定具有更好的性能，但同时又存在一个缺点，即由于通信过程中的鲁棒性和数据包丢失有限，因此扩展性较差。在另一种方法中，任务是由一些机器人宣布的，而其他一些机器人则是同时参加的，这是一种简单而反应迅速的方法。
搜索源： Swarm机器人技术在源搜索的任务中非常成功，尤其是在搜索源很复杂（例如声音或气味）的情况下。群机器人通过两种方式进行搜索，一种是全局的，另一种是局部的，两者之间的区别是通信。一种与机器人之间的全局通信，其中机器人能够找到全局最大源。另一个仅限于机器人之间的本地通信以找到本地最大值。
物体运输：蚂蚁可以集体运输物体，如果要运输的物体太重，则一只蚂蚁会等待另一只蚂蚁的配合。在相同的轻型机器人下，蜂群以相同的方式处理事物，每个机器人都具有与其他机器人合作来运输物体的优势。 S-bots提供了一个很好的平台来解决运输问题，他们可以自行组装进行协作，并且如果要运输的物体很重，它们的算法也会扩大规模。
另一种方法是集中运输对象，然后收集并存储这些对象以供以后运输。这里，机器人具有两个不同的任务-收集对象并将它们放在手推车中，然后共同移动承载这些对象的手推车。
集体制图：集体制图用于使用大量机器人对大型室内区域进行探索和制图。
在一种方法中，映射是由两组两个机器人进行的，它们交换信息以合并地图。另一种方法是基于角色的，在这种角色中，机器人可以承担正在移动或具有地标性的两个角色中的任何一个，它们可以交换成群的运动。而且，机器人对它们的位置有一定的估计，因此必须对其他机器人的位置进行估计，以建立集体地图。
群体机器人技术的实际应用
尽管大约在2012年左右开始对群体机器人技术进行广泛的研究，但直到现在还没有与商业实际应用一起出现，但是它已被用于医疗目的，但并未大规模使用，并且仍在测试中。出于各种原因，这项技术没有在商业上出现。
针对个体和全局算法的设计：群体的集体行为来自需要设计单个机器人及其行为的个体，目前还没有从个体行为转变为群体行为的方法。
测试和实施：对实验室和基础设施的进一步开发要求。
分析和建模：在群体机器人中执行的各种基本任务表明，这些任务是非线性的，因此建立用于其工作的数学模型非常困难
除了这些挑战之外，由于个人和群体的简单设计，它们还面临着其他安全挑战。
（i）物理捕获机器人。
（ii）群体中个体的身份，机器人必须知道它是否正在与其群体或另一个群体的机器人进行交互。
（iii）对个人和群体的通信攻击。
群机器人技术的主要目标是覆盖机器人可以分散并执行各自任务的广阔区域。它们对于检测泄漏，地雷等危险事件非常有用，并且分布式且可移动的传感器网络的主要优点是它可以感知广阔的区域，甚至可以对其进行操作。
群体机器人技术的应用确实很有希望，但是仍然需要在算法和建模方面进行开发。