机器人集群编程语言，集群机器人空间组织

到目前为止，只有少数实验成功地大规模展示了自主、自组织机器人，而群体机器人的实际应用仍处于悬而未决的状态。人工智能技术的发展，特别是只需要有限计算资源、可以在小型且廉价的机器人CPU上运行的分布式学习算法的发展，将使机器人群体逐渐提高自主性。研究领域：群体智能、群体机器人、自组织、进化算法

论文标题：Swarm Robotics: 过去、现在、未来论文地址：https://ieeexplore.ieee.org/abstract/document/9460560

内容： 1. 群体机器人历史概述2. 经验教训和开放性问题3. 新方向和问题4. 如何指导未来应用中的研究5. 结论，包括大型群体机器人的设计、构建和部署。相互协调、合作解决问题或完成任务的能力。群体机器人的灵感来自自然自组织系统，例如社会昆虫、鱼类和鸟群，所有这些都是基于简单的局部交互规则的新兴集体行为[1] [2]。通常，群体机器人从对这些自然系统的研究中得出工程原理，并构建具有类似功能的多机器人系统。通过这种方式，机器人群的目标是创建比单个机器人更强大、更容错、更灵活的系统，并且可以更好地调整自己的行为以适应环境的变化。作为群体智能[3][4]（即集体和自组织行为的计算模型[5][6]）的一种应用，群体机器人已经开发出多种成功的优化算法，广泛应用于电信行业。 [7]和人群行为模拟与预测[8]。然而，我们很快意识到，在机器人中实现群体行为需要的不仅仅是将群体智能算法应用于现有的机器人平台。事实上，研究人员将不得不彻底重新思考传统的机器人功能，例如感知、控制、定位以及机器人平台本身的设计。在过去的二十年中，群体机器人研究人员取得了重大进展，为群体机器人的潜力提供了概念证明，并帮助研究人员更好地理解自然界中复杂行为是如何出现的。尽管如此，研究人员仍然需要充分解决一些挑战，才能将这项研究转化为实践。事实上，迄今为止，只有少数实验成功地大规模展示了自主自组织机器人，而群体机器人的实际应用仍然是一个空白课题。研究人员需要进一步研究建立相关理论和实践，以便将群体机器人从实验室引入现实世界。本文的其余部分结构如下：在简要介绍了群体机器人领域的历史之后，研究人员总结了其开创阶段的主要经验教训，并确定了尚未解决的主要问题。我们分析了挑战，并提出了一些创新和有前途的例子的研究方向。最后，研究人员通过展示单个机器人或传统集中控制的多个机器人无法解决的应用场景，探索群体机器人最有潜力的应用领域，并评估其对所选行业的影响。影响。

1

群体机器人技术的历史概述在过去的二十年里，群体机器人技术已经从一个最初由一些明显受生物学启发的研究开始的小领域[9-12]，发展到多个实验室的大量研究人员和世界各地的研究人员。世界.已经成长为一个成熟的涉足领域。使用Google Scholar搜索显示，“群体机器人”一词最早出现于1991年，当时的使用范围非常有限。这种情况一直持续到2003年，此后该术语的使用开始显着增加。同样，使用SCOPUS 进行搜索也会产生类似的增长趋势（见图1）。这些数据表明，尽管群体机器人研究的基础源于20 世纪90 年代的一些开创性工作，但直到2000 年该领域的研究才开始显着增长。

图1. Google Scholar 和Scopus 中“swarm robots”搜索的引用次数。显示自2000 年以来的趋势。最初，群体机器人的研究旨在测试星形合并（本文使用的概念定义见表1）作为机器人之间间接通信和协调的手段的使用。跟随早期研究的步伐[9-11]，自2000年以来，研究重点集中在对象检索（觅食[13]、拉杆[14]）、聚类[15]和对象排序[16]上，其中一些已经出现。这些研究首先观察社会性昆虫的已知行为，并部署行为类似的群体机器人。在某些情况下，群体机器人已被用来精确再现生物系统中观察到的动态（例如蟑螂群体聚集[17]），为生物机器人和混合社会树立先例。[18]此外，成群的机器人被用作解决生物问题的工具（例如，寻找食物源和巢穴之间最短路径的路径网络的形状如何[19]）。 Swarm-bots项目由欧盟委员会于2001年至2005年资助，是第一个研究群体机器人合作的国际项目。该项目使用多达20 个具有自组装能力的机器人群（即彼此物理连接形成协作结构）来执行集体运输、区域覆盖和目标搜索等多项任务，研究了集体行为[25] ]，26]。随着时间的推移，机器人可以在群体中扮演不同的角色，当时这是自组织机器人团队共同解决复杂任务的唯一例子。 Swarmoid 项目（2006-2010）将Swarm-bot 的思想和算法扩展到由三种类型的机器人（飞行机器人、攀爬机器人和地面机器人）组成的异构机器人集群，以协调探索和检索任务。[28 ，29]]。尽管群体机器人范例已被成功演示，但硬件小型化的研究预计将导致数百甚至数千个协作机器人的部署（见图2）。机器人变得越来越小、越来越简约，您可以尝试毫米级的设计。然而，硬件小型化和集成足够大的传感器套件的挑战阻碍了这一进展。仅仅几年后，kilbot [30] 就被引入，这是一个支持1000 个机器人实验的硬件概念。 Kirobot 最初的设计目的是支持大规模机器人群的首次演示，其设计考虑了结构可塑性[31]（形状形成），后来被用于多项成功的研究中。现在，群机器人可以与数百个机器人一起工作。 32-34]。

图2. 主要用于群体机器人研究的一些机器人：(a) Jasmine [35]（图片来自Wikimedia Commons）；(b) Alice [36]（Simon Garnier 拍摄）；(c) kilobots [30]（照片提供）作者：Massimo Beruti）；(d) e-pucks [37]；(e) swarm-bots [26]；(f) swarmanoid [29] 群机器人不限于陆地平台：最近的一些研究考虑了陆地平台[38]水下机器人[39] 和成群的无人机[40, 41]。尽管水面和水下技术的成熟还需要大量的开发工作，但无人机已经商业化，并且是各个领域遥感应用的一个非常有前途的平台。这完全是由于自主和集体飞行缺乏授权，目前受到法律框架的阻碍。除了硬件平台之外，控制机器人群的方法也是研究的重点。迄今为止，文献中有大量关于各种方法的报道，但这超出了本文的范围（感兴趣的读者可以参考[42-46]）。当前的主要研究方向包括开发集群系统分析模型以指导机器人实现[47-49]、极简控制器（神经网络[50]、无计算控制器[51, 52]），它涉及采用（进化）优化技术使用。 ]、有限状态机[53] 或基于语法的控制器[54]）来指导机器人并开发设计和验证方法[20, 55]。正如我们下面讨论的，定义可靠和高效的机器人群的工程方法仍然处于当前研究的前沿，并且未来几年将需要该领域的研究。表1. 术语表

适应性

能够学习/改变行为以响应新的操作环境。

自动设计自动设计

一种为机器人车队开发制造软件的方法，可将设计问题转化为优化问题。各种设计选择定义了优化算法探索的搜索空间。

设计模式设计模式

针对通常在现场重复出现的问题的可重用解决方案的正式定义。在群体机器人领域，设计模式描述了如何定义个体规则以获得所需的自组织宏观行为（例如集体决策，参见[20, 21]）。

进化算法进化算法

一类优化算法，其中通过受生物进化启发的机制生成并迭代更新一组初始候选解决方案。通过模仿繁殖、复制、重组和选择的自然过程，解决方案群体逐渐演化以最大化目标函数（适应度）。

容错

系统承受由于部分组件故障而导致的性能下降的能力。

灵活性灵活性

解决与设计时选择的问题（任务）不同的问题（任务）的能力

无模型和基于模型的强化学习无模型和基于模型的强化学习

强化学习的两种不同方法，机器学习的一个子集。软件代理通过尝试最大化其行为的激励函数来学习如何在给定环境中有效地执行任务。在基于模型的方法中，智能体能够学习将其当前状态和行为映射到下一个状态（环境模型）的能力，因此它可以提前知道其下一个动作的好处。在该方法中，智能体通过不断的试错来找到合适的策略，而不是直接依赖于环境模型。

相变相变

物质从一种物理状态转变为另一种物理状态的物理过程，例如将水冷冻形成冰（液体到固体）或将水加热形成水蒸气（液体到气体）。生物系统中无序和有序状态的存在在形式上类似于物理惰性世界中类似状态或相的存在：无序液体、有序晶体固体。这些系统在不同状态或阶段之间具有相变。特别是，有序状态的特征是系统范围内的秩序概念，可以通过秩序参数（例如鱼群排列/极化的质量）来量化。

鲁棒性

在不同于设计的环境条件下继续有效运行的能力。

可扩展性

即使系统组件的数量（或更一般地说，系统资源的数量）发生显着变化，系统也能继续正常运行。

自组织自组织

系统的全局级模式仅通过系统较低级组件之间的交互而出现的过程。指定系统组件之间交互的规则仅使用本地信息来执行，没有中央机构来确定它们的操作[1]。

斯蒂格梅吉

自然或人工代理之间的间接通信形式。一个智能体执行的工作会在环境中留下印记，并刺激相同或其他智能体的后续工作。通过环境进行的这种中介确保了代理执行的操作的协调。它首先由Grasse [22] 描述，在支持群体机器人的自组织机制方面发挥着重要作用[23, 24]。

2

经验教训和开放性问题虽然群体机器人技术的最终目标是创建允许部署机器人群来解决现实世界问题的方法和工具，但当前的重点仍然是对这些机制进行科学理解的方法和工具。前二十年的研究留下了宝贵的教训，并提出了一些尚未解答的问题。首先，研究人员了解到，自主机器人的有限能力严重限制了机器人群目前可以执行的任务类型。为了在群体中工作，每个机器人都必须能够互动和交流，并且能够识别它的同伴和他们的任务。这需要定制硬件设计和特定的传感、处理和交互功能。当前机器人硬件和控制方面的局限性从两个方面限制了群体机器人研究的复杂性。另一方面，开发了一些特定的机器人来解决特定的（类似玩具的）问题（例如术语[56]和Kirobot [30]）。尽管这些示例开辟了新的研究方向，但可重用组件并不总是可以移植到不同的环境中。另一方面，通用机器人（alice [19, 57] 和e-puck [37]）已被用于生成概念验证，并且一些类似的机器人（例如，觅食[13, 34]）用于直接生成转换任务。但如果硬件不是为机器人群设计的，日常任务可能会变得极其繁琐。这是因为研究人员需要同时操作数十甚至数百个机器人，使得充电、上传软件等简单操作变得繁琐。这是非常漫长和乏味的。这通常会限制正在测试的集群中的机器人数量，从而降低演示的广度和重要性。最后，值得一提的是，硬件小型化将是在实验室中使用大型集群进行实验以及许多未来应用的关键因素。然而，硬件缩小带来了迄今为止尚未解决的非常困难的问题[58]。为了推进群体机器人研究，我们需要开发工具，使群体机器人研究人员更容易分享结果和重现实验。一些通用机器人平台是非常有价值的工具。 E-puck [37]可能是迄今为止最常用的群体机器人平台，但随着e-puck的数量超过30个，研究工作变得非常复杂且昂贵。尽管专为群体机器人研究而设计的Kilobot 被广泛使用，但其功能受到严重限制，因此虚拟化环境被提出来增加研究潜力[59, 60]。尽管Crazyflies [61] 不是为群体机器人研究而设计的，但它们越来越多地用作群体机器人研究的飞行平台[41]。研究人员仍然需要付出很多努力来开发群体机器人的硬件，以满足研究界的需求。首先，研究人员必须在成本、尺寸和机载功能之间找到正确的折衷方案，以确保传感器和执行器阵列足够丰富，同时保持允许在实验室中部署数百个机器人的尺寸限制。因此，尺寸介于Kilobot 和电子包之间（直径约5 厘米）可能是一个很好的折衷方案。 e-puck 的成功归功于其模块化方法，允许通过新的传感器、执行器或计算功能进行插件扩展，但这需要仔细的设计。当处理大量数据时，特别是当移动机器人不需要人工干预时（例如，当将无线充电站集成到实验环境中或使用电动地板进行无电池操作时），同时对多个机器人（kirobots）进行编程和充电的可能性大大提高简化实验活动。

然而，目前这些方法还不够强大。虽然能够成功解决相对简单或受限的问题，但随着问题复杂性的增加，其局限性很快就会变得明显。复杂任务由多个需要合作的子任务组成，并且可能具有相互依赖性和时间限制[66]。您可以尝试为每个子任务引入可执行方法，以获得稍后可以组装的模块。然而，这种分而治之的方法不足以部署可用的群体机器人系统。这是一个次优的解决方案，因为它忽略了任务之间许多可能的交互，并且忽略了这些任务可以通过某种方式进一步拆分和调度。研究人员需要设计方法，通过持续集成和优化来解决子任务之间复杂的相互关系[55]。此外，当前的实践需要增加团体规模以及从小团体到大团体的无缝过渡。研究人员需要设计出对机器人集群进行编程的方法，无论集群/问题的大小如何。集群/问题的大小必须在配置时确定。最后，虽然绩效保证非常必要，但目前的做法仅限于对绩效统计指标的实证评估，并没有充分解决绩效问题。相反，研究人员需要设计方法来提供满足验证和验证标准的性能界限，并提高机器人群的可靠性，特别是在具有严格约束的应用领域（例如空间应用）。特别是为了支持研究界，基准测试是很有价值的工具，可以定量地衡量研究进展，并帮助研究人员解决日益复杂的任务（例如机器人世界杯[68]）。您也可以。为了直观地说明推进群体机器人研究所需的基准类型，研究人员目前正在考虑此类资源收集问题（如NASA Swarmathon [69] 竞赛中所做的那样）。为了超越当前的实践，研究人员可以将问题配置为沿着不同维度扩展复杂性：通过调整环境的大小和拓扑，以便所提出的解决方案可以应用于不同的问题实例。测试您的适应和扩展性能的能力人口规模。收集物品的分布必须测试协调开发资源的能力，物品类型和持久性测试协作识别和检索的能力，以及适应动态环境的能力，需要进行调整。信息复杂性也必须是可变的，这可以通过允许多种选择来执行任务来实现。这需要集群收集和聚合与问题及其动态相关的信息，并在必要时做出集体决策以优化任务性能。如果可能，研究人员应该在时间运行中识别具有可变约束的多个相互关联的任务（例如，优先考虑某些项目类型以支持其他类型的检索）。研究人员需要分配明确的性能指标来跟踪进展并支持不同技术之间的比较。如果提出这些基准并将其与标准工具（包括上述硬件和模拟）联系起来，一个开放的社区将形成并蓬勃发展，学习最佳实践并不断改进现有结果。第三个教训是要了解机器人集群所具有的一些属性，例如容错性和可扩展性，并不是集群自动提供的，需要仔细设计。当我们想要提供自组织机器人群本身未提供的其他属性时，例如鲁棒性、灵活性和适应性（参见表1），挑战就变得更大。

人们试图通过理论方法来设计具有这些特征的机器人群体，但忽略了机器人如何在传感器和执行器方面实现以及它们的具体功能。我做到了。研究人员使用数学模型、抽象粒子在集群系统或多级系统内执行各种动作（例如聚合[70]、集体运动[71]、集体决策[20]、模式形成[72]），来证明上述性质。 ）。然而，将理论发现转化为实际工作的机器人系统往往需要引入一些在对理论模型进行必要的简化以及考虑目标应用领域的特征时未考虑到的特征和约束，我们需要彻底重新思考我们如何做事。此外，还有一些重要问题到目前为止尚未得到足够的重视，但对于部署实际应用程序来说是必要的。研究人员需要针对外部攻击的安全性，以便他们的集群能够抵御试图渗透并接管集群的恶意用户。如何指挥和控制群体对于用户以有意义且简单的方式与机器人系统进行交互也非常重要。这也需要高度的可解释性，这对于集群培养用户和公众的接受度和信任是必要的。解决这些问题将极大地改进群体机器人技术，并加速从研究到具体应用的转变。第四个教训是研究人员必须非常谨慎地使用“受生物学启发的工具”。从社会性昆虫和物种的行为中汲取灵感在许多情况下都具有很大的价值。这是因为这些自然群体具有机器人群体的基本特征和行为。也就是说，它们是自组织的并且可以普遍发挥作用。为特定问题提供可行解决方案的事实信息，例如机器人群如何协作移动、分配任务和做出集体决策。在这方面，随着对群体智能机制的新见解不断为群体机器人专家提供信息，研究人员将进一步推进生物学的贡献并提供新的指导。然而，研究人员必须牢记群体机器人研究的长期目标：部署群体机器人在现实世界中执行有用的任务。因此，如果研究人员想要将机器人群与现实世界的应用联系起来，他们必须采用面向工程的方法来设计它们。因此，如果机器人群的期望行为与特定应用高度相关，那么仅仅依靠生物学启发的指导不太可能揭示它。因此，研究人员应避免过度依赖“受生物学启发的工具”，并准备在必要时设计临时解决方案。同样重要的是要注意，虽然生物学家和机器人学家之间的合作可以富有成效，但这种合作通常是单向的，机器人技术的受益远远超过其对生物学的贡献，值得注意。研究人员认为这种情况可以得到改善，机器人群提供了一种人工的、可控的模型来研究具身、感知和行为的影响，以及必要的个体认知要求。我们相信，通过支持集体行为，我们可以真正帮助生物学家[ 19][73]。此外，将自主机器人集成到自然群体中的可能性提供了刚刚开始探索的新研究方向[18][74]-[76]。

3

新方向和新问题在不久的将来，大多数群体机器人研究将致力于寻找上述开放问题的答案。该研究对于该领域的进一步发展和技术水平的提高具有极其重要的意义。然而，也有一些研究方向可以带来更大的飞跃，因为它们有潜力探索全新的方法和领域。这些领域已被确定为悬而未决的问题，但仍未得到充分研究。研究人员重点关注硬件/行为内的少量和大量个体（III-A）或不同机器人群（III-B）或（III-C）所带来的极端约束。它提供了设计和控制组织结构内的机器人群。研究人员随后考虑了设计机器人群的新方向。要么模仿受生物学启发的响应性和适应性示例(III-D)，要么采用机器学习技术为群体提供学习能力并提高其性能(III-D)。E) 两者之一。最后，研究人员讨论了进一步研究机器人群体安全（III-F）和人类群体互动（III-G）的必要性，这对于现实世界的部署至关重要。

A. 硬件小型化群体机器人技术的目标之一是设计和控制数千个简单的机器人，以实现由简单的个体运动和大量交互产生的复杂的群体级行为。能够最大限度地发挥群体机器人未来影响的一个方面是开发数千个微型机器人，其尺寸可以缩小到毫米，甚至微米或纳米尺度。这种簇可以侵入小的密闭空间（例如微流体通道或人体），操纵微小物体（例如微塑料或单细胞），并自组装以提供局部治疗（例如靶向药物输送）。迄今为止的研究只触及了一个具有巨大潜力的领域的表面。然而，减小机器人的尺寸对为群体机器人提供实用的解决方案提出了新的挑战。微型机器人和纳米机器人面临着与宏观尺度不同的物理定律，需要新的集体行为模式。当前的微型机器人和纳米机器人不使用常规硬件，而是包括活性胶体颗粒[77]、软（生物）机器人[78]、细菌驱动的纳米机器[79, 80]，甚至由可控基因工程组成。 81]。由于精确控制个体行为的能力受到严重限制，因此需要新的范式来启用和控制此类系统中的群体行为。此外，整合传统的传感和行为方法极其困难[82]，需要研究人员重新思考设计和控制此类集群的策略。总体而言，研究应集中于利用少量不可靠传感器、极少或完全缺乏计算能力以及不可靠操作的控制方法[51, 52]。设计使硬件具有自组织特性的解决方案也是合理的[83, 84]。然而，在这种情况下，很难获得灵活的自适应行为。在所有这些情况下，指导自组织比尝试直接控制更有价值。

B. 异质性同构假设仍然渗透到群体机器人的研究中。所有机器人都是相同的，运行相同的控制软件，都可以互换，并且只有与（社会）环境互动的个人历史才能表达它们。具体行为。这一假设源于集体行为的理论模型，该模型通常会简化复杂的现象以实现可处理性。事实上，同构系统中的自组织通常足以解释实验观察结果[1]。然而，自然群体中的不同个体在生理和行为上可能存在显着差异，并且个体特征可以影响对环境和社会线索的反应。

反应[85]。异构性被认为是赋予群体行为灵活性、新条件适应性及应对外部扰动恢复力的基础。这些功能有益于集群机器人，但异构性并没有得到应有的充分利用。前文提及的Swarmanoid 项目通过研究物理异构机器人集群中的协调群体行为，证明了一个可能的方向[29]。其他强大的协作形式允许初始同构的机器人学习不同的行为，当这使群体表现受益时，这些形式就会与特定任务挂钩。然而，解决异构实体所展示的自组织行为的复杂性仍非常具有挑战性，但有望为整个领域带来巨大的进步。 C. 去中心化vs层级结构一开始，集群机器人就采用了自组织范式，其中群体控制是通过简单的（随机）规则获得的，这些规则定义了机器人之间及与环境之间的交互方式，而不需要利用任何形式的集中控制或全局知识。然而，在许多情况下，集中式或分层式控制形式可以使设计和控制集群机器人的问题变得更容易。在许多动物社会中，等级制度常与自组织并存，这一事实也可能证明引入某种形式的层级控制是合理的[86][87]。不幸的是，这些方法将需要引入使系统变得脆弱（单点故障）和难以扩展的机制。选择去中心化还是层级结构，或者如何整合两者，这些问题目前尚未得到充分的研究。在这个方向上，文献[88]首先提出创建混合系统，其中由自组织过程产生的层级控制结构可以以一种特殊的方式动态出现。这与某些集群中发生的情况类似，其中自组织过程会导致线性层次结构的形成和单体繁殖个体的出现[87]。Mathew等人[88]创建了一种基础设施——中间件（middleware），允许集群机器人从纯粹的自组织控制自动切换到层级控制，然后再自动切换回来。虽然实验已经证明了该方法的可行性[88，89]，如何将允许创建层级控制结构的规则设计成集群机器人必须执行的任务的函数，以及如何实现由纯自组织控制到层级控制的转变（以及相反的过程）作为任务的函数和环境的函数被激活，理解这些问题仍需要大量的工作。 D. 相变与适应性在现实世界的环境中，集群机器人面对的主要挑战是适应意外事件的发生，例如，障碍物的存在及不断变化的大气条件（例如光照、风、降水）。所有这些事件都可能妨碍集群机器人前行或执行某些任务。在这些条件下，集群必须共同地调整其行为并自动改变其策略。这种群体能力可以在一些群居动物（成群的摇蚊、鱼、羊）中观察到。在这些物种中，个体之间的交互会导致一些集体属性，它们与两种宏观状态之间接近相变的物理系统的属性类似（术语见表1），这导致对少数个体的行为变化极为敏感[90, 91]。在这种条件下，少数察觉到环境变化的个体的反应可以传播到集群中的其他成员，使它们能够有效地应对捕食者的攻击等干扰。这种群体适应能力不仅源于个体之间特殊的交互形式，而且源于对这些互动相对强度的调节[92]。这类特性在集群机器人中的转换可以显著提高他们的自主水平，这将是一个很有前景的研究方向。 E. 集群机器人的机器学习到目前为止，机器学习在集群机器人中唯一突出的应用就是进化算法（见表1中的术语表），用于开发简单的神经控制器来驱动集群中单个机器人的行为。然而，机器学习的最新进展，特别是新的深度学习技术的可用性，既可作为一种设计群体行为的手段，也可为在集体内共享的单个机器人提供额外的能力。目前为止，这些研究没有得到集群机器人社区的认可。机器学习作为一种设计方法，存在自动设计的问题[44]，以及通过试错来进行在线学习的附加约束[93]，以及情景奖励和协调问题。无模型方法（见表1）在计算条件方面可能非常苛刻，尽管它们在处理表征群体行为的复杂、不可预测的突发事件方面非常强大。由于学习（当前）群体行为的模型能够产生高效设计的个体政策，基于模型的方法可能会很有价值。两者的结合是目前几个领域一直在探索的方向，它可能也与集群机器人的研究有关。除了设计群体行为之外，机器学习以及更为特殊的深度学习方法可以为个体机器人提供先进的能力以维持个体和群体行为。从这方面看，找到可以利用集群所得的信息来支持更有效地解释世界的方法显得非常重要。例如，深度网络代表了图像分类的最先进技术，而图像分类则是许多与机器人集群相关应用中所需的一项功能。通过利用多个机器人从不同角度和不同时间下观察同一场景的存在性，可以提供更准确和更高计算效率的解决方案[94，95]。为了支持这种集群级别的操作，研究人员还需要大量工作来定义网络架构和学习范式。 F. 安全在实验室外使用自主机器人会带来安全问题。机器人在执行任务时需要具备安全性[96]，它们应该保证所收集数据的隐私，它们也应该能够抵御由恶意用户试图获得控制而发起的外部攻击。在机器人集群的情况下，这些问题将更加严重[97]。由于某些场景下可能存在数百个相互交互的机器人，诸如实体身份验证、数据机密性和数据完整性等问题会被放大。此外，少数恶意机器人潜入集群可能会导致集群的工作中断[97]。机器人集群安全的研究仍处于起步阶段。最初的工作是研究如何利用传统的（例如，加密的Merkle树[98]）和不那么传统的（区块链[99]）安全方法来增加安全层或被完全集成到机器人集群的控制体系结构中。这些初期的工作可以解决诸如如何在群中保持信息私有化[98][100]，如何避免恶意机器人的干扰[101]，以及如何对抗Sybil攻击[99]等问题。研究人员需要进行大量研究来扩展这些简单的、概念验证的解决方案，以便将它们移植到现实世界中的大群机器人中。 G. 人类-集群交互虽然与单个机器/机器人的交互已被深入研究[102]，但与机器人集群的交互则开辟了全新的方向。主要的困难在于集群是自组织的，因此没有一个清晰的实体可以让人类与之建立交流。为了向集群提供关于要实现的目标或要完成的任务的信息[103][104]，人类-集群交互（HSI）非常有必要。在集群中嵌入一些用户驱动的机器人，可以间接地控制集群。最近几个学科的研究[92][105][107]表明，少数忠诚智能体可以决定集群的整体行为。类似的机制代表了控制机器人集群的有趣方法，尽管它们可能需要引入必要的安全挑战，以避免少数恶意机器人控制整个机器人集群。或者，机器人集群可以由用户直接控制或操纵，例如通过手势[108][109]或脑电图信号[110]进行控制。用户对集群的直接控制是复杂的，因为理解集群在做什么是非常具有挑战性的，这是由于集群内部发生了大量的交互，这对于人类观察者来说可能很难“读懂”。因此，可解释性至关重要。可能的解决方案或许内置于集群的自组织机制中，以便使用户能够看到集群的当前状态和目标。群体行为的接口（可能通过增强现实来实现）可以收集和可视化来自集群的信息，而群体行为的模型可以被集成以提供支持用户采取行动的预测（例如，通过向集群发出新的命令）。任何HSI解决方案的设计都需要了解与机器人集群互动的人类所产生的心理影响，以支持减少压力的互动方式[111][112]，并提高可用性和信任度[113]。 4 未来应用如何指导研究 迄今为止对集群机器人研究的巨大兴趣[114-116]源于人们期待基于自主机器人的现实应用将在不久的将来无处不在，以及让它们彼此合作以及与人类用户合作来避免集中控制的陷阱。同时考虑到合作场景（即机器人协调完成共同任务）和半合作场景（例如，受益于全球高效活动组织的自利机器人，如自动驾驶汽车），集群机器人研究产生的知识和实践将是解决未来机器人应用中复杂协调问题的关键。因此，研究人员坚信，推进集群机器人研究不仅有利于该领域本身，而且很大程度上有利于机器人技术、信息物理系统和社会技术系统等领域。在本节中，研究人员首先讨论了在现实应用中使用机器人集群来解决问题或执行任务的一般准测，然后概述了研究人员认为的集群机器人的主要潜在应用领域。本概述具有推测性，这是因为现实世界的应用程序还没有出现。然而，通过考虑不同的应用领域，并在其中批判性地评估集群机器人方法具体带来的好处，研究人员会有更多的选择。 A. 集群机器人解决方案的普遍准则原则上，当考虑将机器人集群应用于解决现实问题时，首要问题是机器人集群是否确实是最好的方法。然而，这是一个非常困难的问题，特别是考虑到集群机器人是一个年轻的学科，并且如上所述，该领域仍有许多未解决的研究问题。因此，当前的实践包括基于相对于其他解决方案的预期优势来评估集群机器人解决方案的适用性，并考虑可用技术施加的约束（一个值得注意的例外是Kazadi的工作[117，118]，他明确解决了机器人集群是否是某给定问题的适当技术的问题；然而他的方法仍处于提案阶段，并且尚未应用于任何真正的机器人集群实践）。由于缺乏从问题规范到机器人集群实现和部署的工作方法，下面研究人员将讨论一些在处理具体应用问题时指导选择集群机器人解决方案的普遍指导原则。第一个非常普遍的指导方针是，只有当单个机器人解决方案无法（有效地）解决问题时，才应该考虑使用多机器人系统以及它的扩展——机器人集群，这是因为考虑到现有的技术和应用限制，这些系统要么太复杂，要么要求太高。例如，单个机器人对大面积区域的监控不太可行，唯一的选择可能是同时使用多个机器人[119]。另一个例子是在搜救场景中使用无人机探索一座大型倒塌建筑：即使在这种情况下，一架无人机也可能执行任务，但由于有限的飞行时间和需要飞回来充电，这可能不够有效。在这种情况下，多机器人解决方案通过并行操作[41]可以更加高效。一旦建立了多机器人系统的适应性，研究人员就应该考虑哪种控制方法最适合所涉及的问题。例如，当以集中方式协调机器人不现实或不可取时[120]，使用机器人集群可能是正确的方法。在某些情况下，集中式重规划可以解决任务的不确定性和环境的不可预测性[121]。然而，如果对在线识别功能和偶发事件适应性具有强烈需求，最好是通过去中心化的、自组织的方法来实现。然而，即使在这种情况下，应该考虑如果其他方法，如分布式模型预测控制[122, 123]，可以用，这可能并非如此当它是不可能或很难创建简单模型要解决的问题和机器人的环境操作。然而，人们应该考虑是否可以使用其他方法（例如分布式模型预测控制[122, 123]），但当不可能或太难创建足够简单的模型来应对要解决的问题和机器人将要操作的环境时，那就要另当别论了。另一个需要考虑的方面是，给定的问题是否可以分解为固定数量的具有明确定义的任务，这些任务可以由一组机器人完成，而且每个机器人都有特定的角色，例如装配线或机器人足球[68]。若非如此，那么集群机器人方法可能是可行的。换句话说，即使某个问题可以用多机器人系统更好地解决，这并不一定意味着需要一个机器人集群。如果任务在子任务中没有预定义的分区，或者该任务允许将不同的角色分配给可用的机器人[27，29]，则该任务更适合后一种方案。最后，如果期望机器人之间进行有益的合作，集群机器人方法可能是正确的选择。事实上，集群机器人系统通过协作可以实现性能的超线性增长，从而证明建立协作所必需的开销是合理的[124]。 B. 应用、需求和未来研究考虑到这些因素，研究人员应该对集群机器人的潜在应用领域进行严格评估，以确定集群机器人方法可以具体带来的效益。例如，虽然服务机器人通常不按照群体进行组织，但是每个机器人所执行的协调活动和任务分配在一定程度上是去中心化的和自组织的。尽管如此，特定任务本身可能不需要机器人之间的协调或协作。类似地，物流（如大型仓库）、自动驾驶汽车和智能移动肯定能从集群机器人研究的去中心化协调策略中获益。然而，这些应用不太可能指导未来的集群机器人研究。相反，精确农业或基础设施检查与维护等应用需要处理非结构化、不可预测的环境（通常覆盖的范围很广），它们可以从机器人集群的并行化和协作中获益。例如，早期识别农田内疾病的爆发需要机器人之间的信息共享，以便从耦合的局部视角中形成全局模式，支持适当的响应和更好的战略规划[95，125]。类似地，在大型基础设施中可靠地识别缺陷需要高效的搜索能力，而这种能力可以通过群集的方式最佳实现[126]。精确农业和基础设施检查都发生在某种静态环境中（农田或要检查的基础设施）。尽管如此，去中心化和自组织可以提高效率（归功于并行和协调的操作）和精度（归功于群体感知的自适应策略，它允许对感知到的偶发事件作出反应，并确定最优的任务计划，从而最大限度地提高所有相关特征被仔细观察的可能性）。在这方面，未来的研究应该聚焦于通过多种可能异构的机器人之间的信息融合来理解复杂特征的策略。此外，研究人员需要设计有针对性的干预和操作能力（例如收获果实或维护），为去中心化的合作活动提供新的机会。全世界的国防机构都在寻求机器人集群的应用，并且发现无法被轻易关闭的系统非常吸引人[127]。对外部攻击具有容错能力的系统可以支持对抗性设置下的操作，特别是当机器人是可替换的，并且在某种程度上是可丢弃的。然而，在这方面，人的因素仍然不可避免地处于中心地位。因此，国防应用需要考虑人机交互，而且先进的HSI战略将是有效部署的关键[113]。此外，安全和防护方面需要达到最高水平，以确保机器人集群不会失控或被恶意捕获[96]。类似的方面在民防等其他应用领域也很重要，这些领域需要面对自然或人为灾害，需要不依赖外部基础设施或可靠地图也能够处理紧急情况的敏捷机器人。这种类型的应用的门槛非常高，因为机器人集群需要保证最高的性能和可靠性，从而确保所有受害者都得到援救。空间任务引入了机器人应用的其他限制，这些限制可能由集群机器人成功解决。在太空中，由于宇宙辐射对现代cpu的影响，计算机的计算能力仍然有限[128]。因此，与单个更强大的机器人相比，计算能力有限的机器人集群可能是更好的设计选择[69，129，130]。发射到太空中的机器人不容易修复或替换，致力于冗余系统的集群机器人会是一个很好的解决方案，集群中单个机器人的故障只会导致群性能的轻微下降。最后，在太空中，建立外部基础设施来支持机器人的协调可能是极其昂贵的，甚至是不可能的，这也是机器人集群可以有效处理的典型情形。因此，NASA和ESA等空间机构已经开始对集群技术产生了兴趣，例如前文提到的Swarmathon竞赛等活动[69]和针对微卫星群控制的研究[130]。群系统的必要自治是空间应用带来的巨大挑战，它要求不能依赖可靠和持续的人工干预。机器人集群在娱乐行业也良好的发展潜力。目前已经有一些无人机在室外和室内进行灯光表演的例子[131]，然而，这通常是基于集中预先安排的飞行路径。类似地，其他开发多机器人娱乐系统的尝试也依赖于一些集中控制的解决方案来精细地控制系统[132, 133]。如果考虑去中心化方法，特别是如果用户能够通过参与机器人集群而积极参与娱乐活动，并根据位置、运动甚至情感改变其动态，则可能会有新的机遇[134]。在这种情况下，未来研究可以试验HSI的全新模式，这之后也可以被其他应用领域借鉴。例如，研究人员可以想象各种HSI接口，从可穿戴设备[135]，增强和虚拟现实[136]到脑机交互模式[110]。最后，成群的纳米机器人可能在未来成为精确医学的高新工具，使人体内的靶向干预成为可能，如微创手术或直接向癌细胞传递的多疗法[137, 138]。然而，协调大量计算能力和通信能力极其有限的机器人将使集群机器人方法达到其极限，并需要开发新的概念工具，以及微观硬件或生物机器人设备[58]。总体而言，集群机器人潜在应用领域的需求与未来研究挑战之间的关系是毋庸置疑的。因此，研究人员设想了研究人员和来自不同应用领域的利益相关者之间的密切合作，他们可以提供实例来推动新的发展，并为设定未来几年集群机器人的研究议程做出贡献。 5 总结设计和实现有效的机器人集群是机器人技术面临的最大挑战之一，也是最有前途的研究方向之一，这一说法已经得到了证实[116]。在这篇文章中，研究人员简要地总结了集群集群机器人技术的现状，并确定了研究人员认为最有前途的研究方向和主要的开放问题。然而，研究人员认为集群机器人技术的重大进步必然会在该领域之外取得进展。例如，新材料、生物混合解决方案以及储存和传输能量的新方法将有助于解决目前与机器人集群硬件相关的一些问题。人工智能技术的发展，特别仅需有限计算资源并能够与小型廉价机器人的cpu一起工作的分布式学习算法的发展，将使机器人群体逐渐增加其自主性。集群必须确保可解释性，这现在是整个机器人和人工智能领域的一个主要问题。换句话说，用户将需要能够在不详细了解底层机制的情况下理解决策过程——这是确保新智能技术的可接受性和培养对它们的信任的重要需求，从而为大规模的现实世界中的部署创造条件。尽管这些问题在人工智能领域得到了更广泛的解决，但它们的复杂性可能会因大量的自主实体和它们之间的大量交互而增加，而这恰恰是集群机器人系统的典型特征。如果研究人员能够克服这些挑战，集群机器人预计将在十年内成功地从实验室进入到现实世界。这种转变不会立即发生，但将逐步涉及越来越多的应用领域，从而确定新的挑战以及创造对新兴技术解决方案的需求，从而推动未来几年的研究和创新。参考文献 [1] S. Camazine, J.-L. Deneubourg, N. R. Franks,J. Sneyd, G. Theraulaz, and E. Bonabeau, Self-Organization in Biological Systems. Princeton,NJ, USA: Princeton Univ. Press, 2001.[2] D. J. T. Sumpter, Collective Animal Behavior.Princeton, NJ, USA: Princeton Univ. Press, 2010.[3] E. Bonabeau, M. Dorigo, and G. Theraulaz, Swarm Intelligence: From Natural to Artificial Systems. New York, NY, USA: Oxford Univ. Press, 1999.[4] M. Dorigo and M. Birattari, “Swarm intelligence,” Scholarpedia, vol. 2, no. 9, p. 1462, 2007.[5] M. Dorigo, “Ant colony optimization,” Scholarpedia, vol. 2, no. 3, p. 1461, 2007.[6] M. Dorigo,M. A. M. de Oca, and A. P. Engelbrecht, “Particle swarm optimization,” Scholarpedia, vol. 3, no. 11, p. 1486, 2008.[7] G. Di Caro and M. Dorigo, “AntNet: Distributed stigmergetic control for communications networks,” J. Artif. Intell. Res., vol. 9, pp. 317–365, Dec. 1998.[8] M. Moussaïd, D. Helbing, and G. Theraulaz, “How simple rules determine pedestrian behavior and crowd disasters,” Proc. Nat. Acad. Sci. USA, vol. 108, no. 17, pp. 6884–6888, 2011. [Online]. Available: https://www.pnas.org/content/108/17/6884[9] R. Beckers, O. E. Holland, and J. L. Deneubourg,“From local actions to global tasks: Stigmergy and collective robotics,” in Proc. 4th Int. Workshop Synthesis Simulation Living Syst. Artif. Life IV, R. A. Brooks and P. Maes, Eds. Cambridge, MA, USA:MIT Press, 1994, pp. 181–189.[10] O. Holland and C. Melhuish, “Stigmergy, self-organization, and sorting in collectiverobotics,” Artif. Life, vol. 5, no. 2, pp. 173–202,Apr. 1999.[11] C. R. Kube and H. Zhang, “Collective robotics:From social insects to robots,” Adapt. Behav.,vol. 2, no. 2, pp. 189–218, Sep. 1993.[12] C. Kube and E. Bonabeau, “Cooperative transport by ants and robots,” Robot. Auton. Syst., vol. 30,no. 1, pp. 85–101, 2000. [Online]. Available:http://www.sciencedirect.com/science/article/pii/S0921889099000664[13] M. J. B. Krieger, J.-B. Billeter, and L. Keller,“Ant-like task allocation and recruitment in cooperative robots,” Nature, vol. 406, no. 6799,pp. 992–995, Aug. 2000.[14] A. J. Ijspeert, A. Martinoli, A. Billard, and L. M. Gambardella, “Collaboration through the exploitation of local interactions in autonomous collective robotics: The stick pulling experiment,” Autonom. Robots, vol. 11, no. 2, pp. 149–171,2001.[15] W. Agassounon, A. Martinoli, and K. Easton,“Macroscopic modeling of aggregationexperiments using embodied agents in teams of constant and time-varying sizes,” Auton. Robots,vol. 17, nos. 2–3, pp. 163–192, Sep. 2004.[16] M.Wilson, C. Melhuish, A. B. Sendova-Franks, and S. Scholes, “Algorithms for building annular structures with minimalist robots inspired by brood sorting in ant colonies,” Auton. Robots, vol. 17, nos. 2–3, pp. 115–136, Sep. 2004.[17] S. Garnier et al., “The embodiment of cockroach aggregation behavior in a group of micro-robots,”Artif. Life, vol. 14, no. 4, pp. 387–408, Oct. 2008.[18] J. Halloy et al., “Social integration of robots into groups of cockroaches to control self-organized choices,” Science, vol. 318, no. 5853, pp. 1155–1158, 2007. [Online]. Available:https://science.sciencemag.org/content/318/5853/1155[19] S. Garnier, M. Combe, C. Jost, and G. Theraulaz,“Do ants need to estimate the geometrical properties of trail bifurcations to find an efficient route A swarm robotics test bed,” PLoS Comput. Biol., vol. 9, no. 3, Mar. 2013, Art. no. e1002903.[20] A. Reina, G. Valentini, C. Fernández-Oto,M. Dorigo, and V. Trianni, “A design pattern for decentralised decision making,” PLoS ONE, vol. 10, no. 10, Oct. 2015, Art. no. e0140950.[21] G. Valentini, Achieving Consensus in Robot Swarms: Design and Analysis of Strategies for the Best-of-n Problem (Studies in Computational Intelligence). Cham, Switzerland: Springer, 2017.[22] P.-P. Grassé, “La reconstruction du nid et lescoordinations interinpiduelles chezBellicositermes natalensis et Cubitermes sp. La théorie de la stigmergie: Essai d’interprétation du comportement des termites constructeurs,”Insectes Sociaux, vol. 6, no. 1, pp. 41–80,Mar. 1959.[23] G. Theraulaz and E. Bonabeau, “A brief history of stigmergy,” Artif. Life, vol. 5, no. 2, pp. 97–116, 1999, doi: 10.1162/106454699568700.[24] S. Garnier, J. Gautrais, and G. Theraulaz,“The biological principles of swarm intelligence,”Swarm Intell., vol. 1, no. 1, pp. 3–31, Oct. 2007.[25] M. Dorigo et al., “Evolving self-organizing behaviors for a swarm-bot,” Auton. Robots,vol. 17, nos. 2–3, pp. 223–245, Sep. 2004.[26] F. Mondada, L. M. Gambardella, D. FloreanoS. Nolfi, J. Deneubourg, and M. Dorigo,“The cooperation of swarm-bots–physical interactions in collective robotics,” IEEE Robot.Autom. Mag., vol. 12, no. 2, pp. 21–28, Jun. 2005.[27] S. Nouyan, R. Groß,M. Bonani, F.Mondada, and M. Dorigo, “Teamwork in self-organized robot colonies,” IEEE Trans. Evol. Comput., vol. 13, no. 4, pp. 695–711, Aug. 2009.[28] M. Dorigo, M. Birattari, and R. O’Grady, “Swarmanoid, the movie,” in Proc. AAAI-11 Video,2011. [Online]. Available: http://www.youtube.com/watch v=M2nn1X9Xlps[29] M. Dorigo et al., “Swarmanoid: A novel concept for the study of heterogeneous robotic swarms,”IEEE Robot. Autom. Mag., vol. 20, no. 4,pp. 60–71, Dec. 2013.[30] M. Rubenstein, C. Ahler, N. Hoff, A. Cabrera, and R. Nagpal, “Kilobot: A low cost robot with scalable operations designed for collective behaviors,” Robot. Auton. Syst., vol. 62, no. 7, pp. 966–975,2014, reconfigurable Modular Robotics. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S0921889013001474[31] M. Rubenstein, A. Cornejo and R. Nagpal, \"Programmable self-assembly in a thousand-robot swarm\", Science, vol. 345, no. 6198, pp. 795-799, 2014, [online] Available: https://science.sciencemag.org/content/345/6198/795.[32] G. Valentini, E. Ferrante, H. Hamann and M. Dorigo, \"Collective decision with 100 kilobots: Speed versus accuracy in binary discrimination problems\", Auton. Agents Multi-Agent Syst., vol. 30, no. 3, pp. 553-580, May 2016.[33] I. Slavkov et al., “Morphogenesis in robot swarms,” Sci. Robot., vol. 3, no. 25, 2018, Art. no. eaau9178. [Online]. Available: https:// robotics.sciencemag.org/content/3/25/eaau9178[34] M. S. Talamali, T. Bose, M. Haire, X. Xu, J. A. R. Marshall, and A. Reina, “Sophisticated collective foraging with minimalist agents: A swarm robotics test,” Swarm Intell., vol. 14, no. 1, pp. 25–56, Mar. 2020.[35] S. Kornienko, O. Kornienko, and P. Levi, “Minimalistic approach towards communication and perception in microrobotic swarms,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst., Aug. 2005, pp. 2228–2234.[36] G. Caprari and R. Siegwart, “Mobile micro-robots ready to use: Alice,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst., Aug.2005, pp. 3295–3300.[37] F. Mondada et al., “The e-puck, a robot designed for education in engineering,” in Proc. 9th Conf. Auton. Robot Syst. Competitions, 2009, pp. 59–65.[38] M. Duarte et al., “Evolution of collective behaviors for a real swarm of aquatic surface robots,” PLoS ONE, vol. 11, no. 3, Mar. 2016, Art. no. e0151834.[39] P. Zahadat and T. Schmickl, “Division of labor in a swarm of autonomous underwater robots by improved partitioning social inhibition,” Adapt. Behav., vol. 24, no. 2, pp. 87–101, Apr. 2016.[40] G. Vásárhelyi, C. Virágh, G. Somorjai, T. Nepusz, A. E. Eiben, and T. Vicsek, “Optimized flocking of autonomous drones in confined environments,” Sci. Robot., vol. 3, no. 20, 2018, Art. no. eaat3536. [Online]. Available: https://robotics.sciencemag. org/content/3/20/eaat3536[41] K. N. McGuire, C. De Wagter, K. Tuyls, H. J. Kappen, and G. C. H. E. de Croon, “Minimal navigation solution for a swarm of tiny flying robots to explore an unknown environment,” Sci. Robot., vol. 4, no. 35, 2019, Art. no. eaaw9710. [Online]. Available: https://robotics. sciencemag.org/content/4/35/eaaw9710[42] M. Brambilla, E. Ferrante, M. Birattari, and M. Dorigo, “Swarm robotics: A review from the swarm engineering perspective,” Swarm Intell., vol. 7, no. 1, pp. 1–41, Mar. 2013.[43] V. Trianni and A. Campo, “Fundamental collective behaviors in swarm robotics,” in Springer Handbook of Computational Intelligence, J. Kacprzyk and W. Pedrycz, Eds. Berlin, Germany: Springer, 2015, pp. 1377–1394, doi: 10.1007/978-3-662-43505-2_71. [44] G. Francesca and M. Birattari, “Automatic design of robot swarms: Achievements and challenges,” Frontiers Robot. AI, vol. 3, p. 29, Mar. 2016. [Online]. Available: https://www.frontiersin. org/article/10.3389/frobt.2016.00029[45] L. Garattoni and M. Birattari, “Swarm robotics,” in Wiley Encyclopedia of Electrical and Electronics Engineering, J. G. Webster, Ed. 2016, 10.1002/047134608X.W8312.[46] G. Valentini, E. Ferrante and M. Dorigo, \"The best-of-n problem in robot swarms: Formalization state of the art and novel perspectives\", Frontiers Robot. AI, vol. 4, Mar. 2017.[47] M. Massink, M. Brambilla, D. Latella, M. Dorigo, and M. Birattari, “On the use of bio-PEPA for modelling and analysing collective behaviours in swarm robotics,” Swarm Intell., vol. 7, nos. 2–3, pp. 201–228, Sep. 2013.[48] A. Prorok, N. Correll, and A. Martinoli, “Multi-level spatial modeling for stochastic distributed robotic systems,” Int. J. Robot. Res., vol. 30, no. 5, pp. 574–589, Apr. 2011.[49] K. Elamvazhuthi and S. Berman, “Mean-field models in swarm robotics: A survey,” Bioinspiration Biomimetics, vol. 15, no. 1, 2019, Art. no. 015001, doi: 10.1088/1748-3190/ab49a4.[50] V. Trianni, “Evolutionary swarm robotics,” in Evolving Self-Organising Behaviours in Groups of Autonomous Robots (Studies in Computational Intelligence), vol. 108. Berlin, Germany: Springer-Verlag, 2008.[51] M. Gauci, J. Chen, W. Li, T. J. Dodd, and R. Groß, “Self-organized aggregation without computation,” Int. J. Robot. Res., vol. 33, no. 8, pp. 1145–1161, 2014.[52] A. Ozdemir, M. Gauci, S. Bonnet, and R. Groß, “Finding consensus without computation,” IEEE Robot. Autom. Lett., vol. 3, no. 3, pp. 1346–1353, Jul. 2018.[53] G. Francesca et al., “AutoMoDe-chocolate: Automatic design of control software for robot swarms,” Swarm Intell., vol. 9, nos. 2–3, pp. 125–152, Sep. 2015.[54] E. Ferrante, A. E. Turgut, E. Duéñez-Guzmán, M. Dorigo, and T. Wenseleers, “Evolution of self-organized task specialization in robot swarms,” PLOS Comput. Biol., vol. 11, no. 8, Aug. 2015, Art. no. e1004273.[55] M. Brambilla, A. Brutschy, M. Dorigo, and M. Birattari, “Property-driven design for robot swarms: A design method based on prescriptive modeling and model checking,” ACM Trans. Auton. Adapt. Syst., vol. 9, no. 4, pp. 17:1–17:28, 2015.[56] J. Werfel, K. Petersen, and R. Nagpa, “Designing collective behavior in a termite-inspired robot construction team,” Science, vol. 343, no. 6172, pp. 754–758, 2014. [Online]. Available: https:// science.sciencemag.org/content/343/6172/754[57] S. Garnier, J. Gautrais, M. Asadpour, C. Jost, and G. Theraulaz, “Self-organized aggregation triggers collective decision making in a group of cockroach-like robots,” Adapt. Behav., vol. 17, no. 2, pp. 109–133, Apr. 2009.[58] M. Sitti, Mobile Microrobotics. Cambridge, MA, USA: MIT Press, 2017.[59] A. Reina, A. J. Cope, E. Nikolaidis, J. A. R. Marshall, and C. Sabo, “ARK: Augmented reality for kilobots,” IEEE Robot. Autom. Lett., vol. 2, no. 3, pp. 1755–1761, Jul. 2017.[60] G. Valentini et al., “Kilogrid: A novel experimental environment for the Kilobot robot,” Swarm Intell., vol. 12, no. 3, pp. 245–266, Sep. 2018.[61] W. Giernacki, M. Skwierczy´nski, W. Witwicki, P. Wro´nski, and P. Kozierski, “Crazyflie 2.0 quadrotor as a platform for research and education in robotics and control engineering,” in Proc. 22nd Int. Conf. Methods Models Autom. Robot. (MMAR), Aug. 2017, pp. 37–42.[62] N. Jacobi, P. Husbands, and I. Harvey, “Noise and the reality gap: The use of simulation in evolutionary robotics,” in Proc. 3rd Eur. Conf. Adv. Artif. Life. Berlin, Germany: Springer-Verlag, 1995, pp. 704–720.[63] C. Pinciroli et al., “ARGoS: A modular, parallel, multi-engine simulator for multi-robot systems,” Swarm Intell., vol. 6, no. 4, pp. 271–295, Dec. 2012.[64] Y. Song, S. Naji, E. Kaufmann, A. Loquercio, and D. Scaramuzza, “Flightmare: A flexible quadrotor simulator,” 2020, arXiv:2009.00563. [Online]. Available: https://arxiv.org/abs/2009.00563[65] M. Birattari et al., “Automatic off-line design of robot swarms: A manifesto,” Frontiers Robot. AI, vol. 6, p. 59, Jul. 2019.[66] B. P. Gerkey and M. J. Matari´c, “A formal analysis and taxonomy of task allocation in multi-robot systems,” Int. J. Robot. Res., vol. 23, no. 9, pp. 939–954, Sep. 2004.[67] E. Nunes, M. Manner, H. Mitiche, and M. Gini, “A taxonomy for task allocation problems with temporal and ordering constraints,” Robot. Auton. Syst., vol. 90, pp. 55–70, Apr. 2017. [Online]. Available: http://www.sciencedirect. com/science/article/pii/S0921889016306157[68] S. R. Hedberg, “Robots playing soccer RoboCup poses a new set of challenges in intelligent distributed computing,” IEEE Concurrency, vol. 5, no. 4, pp. 13–17, Oct. 1997.[69] L. A. Nguyen, T. L. Harman, and C. Fairchild, “Swarmathon: A swarm robotics experiment for future space exploration,” in Proc. IEEE Int. Symp. Meas. Control Robot. (ISMCR), Sep. 2019, pp. B1-3-1–B1-3-4.[70] H. Hamann and H. Wörn, “A framework of space–time continuous models for algorithm design in swarm robotics,” Swarm Intell., vol. 2, nos. 2–4, pp. 209–239, Dec. 2008.[71] T. Vicsek and A. Zafeiris, “Collective motion,” Phys. Rep., vol. 517, nos. 3–4, pp. 71–140, Aug. 2012.[72] M. Coppola, J. Guo, E. Gill, and G. C. H. E. de Croon, “Provable self-organizing pattern formation by a swarm of robots with limited knowledge,” Swarm Intell., vol. 13, no. 1, pp. 59–94, Mar. 2019.[73] L. Lei, R. Escobedo, C. Sire, and G. Theraulaz, “Computational and robotic modeling reveal parsimonious combinations of interactions between inpiduals in schooling fish,” PLOS Comput. Biol., vol. 16, no. 3, Mar. 2020, Art. no. e1007194.[74] J. Krause, A. F. Winfield, and J.-L. Deneubourg, “Interactive robots in experimental biology,” Trends Ecol. Evol., vol. 26, no. 7, pp. 369–375, 2011. [Online]. Available: http://www. sciencedirect.com/science/article/pii/S016953 4711000851[75] S. Mitri, S. Wischmann, D. Floreano, and L. Keller, “Using robots to understand social behaviour,” Biol. Rev., vol. 88, no. 1, pp. 31–39, 2013, doi: 10.1111/j.1469-185X.2012.00236.x.[76] F. Bonnet et al., “Robots mediating interactions between animals for interspecies collective behaviors,” Sci. Robot., vol. 4, no. 28, 2019, Art. no. eaau7897. [Online]. Available: https:// robotics.sciencemag.org/content/4/28/eaau7897[77] H. Xie et al., “Reconfigurable magnetic microrobot swarm: Multimode transformation, locomotion, and manipulation,” Sci. Robot., vol. 4, no. 28, 2019, Art. no. eaav8006. [Online]. Available: https://robotics.sciencemag.org/content/4/28/ eaav8006[78] S. Kriegman, D. Blackiston, M. Levin, and J. Bongard, “A scalable pipeline for designing reconfigurable organisms,” Proc. Nat. Acad. Sci. USA, vol. 117, no. 4, pp. 1853–1859, 2020. [Online]. Available: https://www.pnas. org/content/117/4/1853[79] R. D. Leonardo et al., “Bacterial ratchet motors,” Proc. Nat. Acad. Sci. USA, vol. 107, no. 21, pp. 9541–9545, May 2010. [Online]. Available: https://www.pnas.org/content/107/21/9541[80] K. E. Peyer, L. Zhang, and B. J. Nelson, “Bio-inspired magnetic swimming microrobots for biomedical applications,” Nanoscale, vol. 5, no. 4, pp. 1259–1272, 2012. [Online]. Available: http://dx.doi.org/10.1039/C2NR32554C[81] I. Rabinowitch, M. Chatzigeorgiou, B. Zhao, M. Treinin, and W. R. Schafer, “Rewiring neural circuits by the insertion of ectopic electrical synapses in transgenic C. elegans,” Nature Commun., vol. 5, no. 1, 2014, Art. no. 4442. [Online]. Available: https://app.dimensions.ai/ details/publication/pub.1050134945 and https://www.ncbi.nlm.nih.gov/pmc/articles/ PMC4109004[82] M. Z. Miskin et al., “Electronically integrated, mass-manufactured, microscopic robots,” Nature, vol. 584, no. 7822, pp. 557–561, Aug. 2020.[83] N. Kumar, H. Soni, S. Ramaswamy, and A. K. Sood, “Flocking at a distance in active granular matter,” Nature Commun., vol. 5, no. 1, p. 4688, Dec. 2014.[84] M. Bär, R. Großmann, S. Heidenreich, and F. Peruani, “Self-propelled rods: Insights and perspectives for active matter,” Annu. Rev. Condens. Matter Phys., vol. 11, no. 1, pp. 441–466, Mar. 2020.[85] R. Jeanson and A. Weidenmüller, “Interinpidual variability in social insects–proximate causes and ultimate consequences,” Biol. Rev., vol. 89, no. 3, pp. 671–687, 2014. [Online]. Available: https:// onlinelibrary.wiley.com/doi/abs/10.1111/brv.12074[86] I. D. Chase, “Social process and hierarchy formation in small groups: A comparative perspective,” Amer. Sociol. Rev., vol. 45, no. 6, pp. 905–924, 1980. [Online]. Available: http://www.jstor.org/stable/2094909[87] G. Theraulaz, E. Bonabeau, and J.-L. Deneubourg, “Self-organization of hierarchies in animal societies: The case of the primitively eusocial wasp Polistes dominulus Christ,” J. Theor. Biol., vol. 174, no. 3, pp. 313–323, 1995. [Online]. Available: http://www.sciencedirect.com/ science/article/pii/S0022519385701014[88] N. Mathews, A. L. Christensen, R. O’Grady, F. Mondada, and M. Dorigo, “Mergeable nervous systems for robots,” Nature Commun., vol. 8, no. 1, p. 439, Dec. 2017.[89] W. Zhu, M. Allwright, M. K. Heinrich, S. O˘guz, A. L. Christensen, and M. Dorigo, “Formation control of UAVs and mobile robots using self-organized communication topologies,” in Proc. 12th Int. Conf. Swarm Intell. (ANTS) (Lecture Notes in Computer Science), vol. 12421. Berlin, Germany: Springer, 2020, pp. 306–314.[90] A. Attanasi et al., “Finite-size scaling as a way to probe near-criticality in natural swarms,” Phys. Rev. Lett., vol. 113, Dec. 2014, Art. no. 238102, doi: 10.1103/PhysRevLett.113.238102.[91] M. A. Muñoz, “Colloquium: Criticality and dynamical scaling in living systems,” Rev. Mod. Phys., vol. 90, Jul. 2018, Art. no. 031001, doi: 10.1103/RevModPhys.90.031001.[92] D. S. Calovi, U. Lopez, P. Schuhmacher, H. Chaté, C. Sire, and G. Theraulaz, “Collective response to perturbations in a data-driven fish school model,” J. Roy. Soc. Interface, vol. 12, no. 104, 2015, Art. no. 20141362. [Online]. Available: https://royalsocietypublishing.org/doi/abs/ 10.1098/rsif.2014.1362[93] L. Busoniu, R. Babuska, and B. De Schutter, “A comprehensive survey of multiagent reinforcement learning,” IEEE Trans. Syst., Man, Cybern. C, Appl. Rev., vol. 38, no. 2, pp. 156–172, Mar. 2008.[94] E. Price et al., “Deep neural network-based cooperative visual tracking through multiple micro aerial vehicles,” IEEE Robot. Autom. Lett., vol. 3, no. 4, pp. 3193–3200, Oct. 2018.[95] F. Magistri, D. Nardi, and V. Trianni, “Using prior information to improve crop/weed classification by MAV swarms,” in Proc. 11th Int. Micro Air Vehicle Competition Conf., Madrid, Spain, 2019, pp. 67–75.[96] E. R. Hunt and S. Hauert, “A checklist for safe robot swarms,” Nature Mach. Intell., vol. 2, no. 8, pp. 420–422, Aug. 2020.[97] F. Higgins, A. Tomlinson, and K. M. Martin, “Survey on security challenges for swarm robotics,” in Proc. 5th Int. Conf. Auton. Auton. Syst., 2009, pp. 307–312.[98] E. C. Ferrer, T. Hardjono, M. Dorigo, and A. S. Pentland, “Secure and secret cooperation in robotic swarms,” 2019, arXiv:1904.09266. [Online]. Available: https://arxiv.org/abs/ 1904.09266[99] V. Strobel, E. C. Ferrer, and M. Dorigo, “Blockchain technology secures robot swarms: A comparison of consensus protocols and their resilience to Byzantine robots,” Frontiers Robot. AI, vol. 7, p. 54, May 2020.[100] A. Prorok and V. Kumar, “Towards differentially private aggregation of heterogeneous robots,” in Proc. 13th Int. Symp. Distrib. Auton. Robotic Syst., R. Groß, A. Kolling, S. Berman, E. Frazzoli, A. Martinoli, F. Matsuno, and M. Gauci, Eds. Cham, Switzerland: Springer, 2018, pp. 587–601, doi: 10.1007/978-3-319-73008-0_41[101] V. Strobel, E. C. Ferrer, and M. Dorigo, “Managing Byzantine robots via blockchain technology in a swarm robotics collective decision making scenario,” in Proc. 17th Int. Conf. Auton. Agents Multiagent Syst. (AAMAS), M. Dastani, G. Sukthankar, E. André, and S. Koenig, Eds. Richland, SC, USA: International Foundation for Autonomous Agents and Multiagent Systems, 2018, pp. 541–549.[102] C. Bartneck, T. Belpaeme, F. Eyssel, T. Kanda, M. Keijsers, and S. Šabanovi´c, Human-Robot Interaction: An Introduction. Cambridge, U.K.: Cambridge Univ. Press, 2020.[103] D. S. Brown, M. A. Goodrich, S.-Y. Jung, and S. C. Kerman, “Two invariants of human swarm interaction,” J. Human-Robot Interact., vol. 5, no. 1, pp. 1–31, Aug. 2015.[104] A. Kolling, P. Walker, N. Chakraborty, K. Sycara, and M. Lewis, “Human interaction with robot swarms: A survey,” IEEE Trans. Human-Mach. Syst., vol. 46, no. 1, pp. 9–26, Feb. 2016.[105] J. Gautrais, C. Jost, R. Jeanson, and G. Theraulaz, “How inpidual interactions control aggregation patterns in gregarious arthropods,” Interact. Stud., vol. 5, no. 2, pp. 245–269, 2004. [Online]. Available: https://www.jbe-platform.com/ content/journals/10.1075/is.5.2.05gau[106] I. D. Couzin, J. Krause, N. R. Franks, and S. A. Levin, “Effective leadership and decision-making in animal groups on the move,” Nature, vol. 433, no. 7025, pp. 513–516, Feb. 2005.[107] A. Baronchelli, “The emergence of consensus: A primer,” Roy. Soc. Open Sci., vol. 5, no. 2, Feb. 2018, Art. no. 172189.[108] G. Podevijn, R. O’Grady, Y. S. G. Nashed, and M. Dorigo, “Gesturing at subswarms: Towards direct human control of robot swarms,” in Proc. 14th Annu. Conf. Towards Auton. Robotic Syst. (TAROS) (Lecture Notes in Computer Science), vol. 8069, A. Natraj, S. Cameron, C. Melhuish, and M. Witkowski, Eds., 2013, pp. 390–403.[109] J. Nagi, A. Giusti, L. M. Gambardella, and G. A. Di Caro, “Human-swarm interaction using spatial gestures,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst., Sep. 2014, pp. 3834–3841.[110] L. Mondada, M. E. Karim, and F. Mondada, “Electroencephalography as implicit communication channel for proximal interaction between humans and robot swarms,” Swarm Intell., vol. 10, no. 4, pp. 247–265, Dec. 2016.[111] G. Podevijn, R. O’Grady, N. Mathews, A. Gilles, C. Fantini-Hauwel, and M. Dorigo, “Investigating the effect of increasing robot group sizes on the human psychophysiological state in the context of human–swarm interaction,” Swarm Intell., vol. 10, no. 3, pp. 193–210, Sep. 2016.[112] G. Podevijn, R. O’Grady, C. Fantini-Hauwel, and M. Dorigo, “Human responses to stimuli produced by robot swarms—The effect of the reality-gap on psychological state,” in Proc. 13th Int. Symp. Distrib. Auto. Robotic Syst. (Springer Proceedings in Advanced Robotics), vol. 6, R. Groß, A. Kolling, S. Berman, E. Frazzoli, A. Martinoli, F. Matsuno, and M. Gauci, Eds. Cham, Switzerland: Springer, 2018, pp. 531–543.[113] C. Nam, P. Walker, H. Li, M. Lewis, and K. Sycara, “Models of trust in human control of swarms with varied levels of autonomy,” IEEE Trans. HumanMach. Syst., vol. 50, no. 3, pp. 194–204,Jun.2020.[114] M. Dorigo, G. Theraulaz, and V. Trianni, “Reflections on the future of swarm robotics,” Sci. Robot., vol. 5, no. 49, Dec. 2020, Art. no. eabe4385.[115] M. Dorigo and E. Sahin, Eds., “Special issue on swarm robotics,” Auton. Robots, vol. 17, nos. 2–3, pp. 111–246, Sep. 2004.[116] G.-Z. Yang et al., “The grand challenges of science robotics,” Sci. Robot., vol. 3, no. 14, 2018, Art. no. eaar7650. [Online]. Available: https:// robotics.sciencemag.org/content/3/14/eaar7650[117] S. Kazadi, “Swarm engineering,” Ph.D. dissertation, California Inst. Technol., Pasadena, CA, USA, 2000.[118] M. Li et al., “Generating swarm solution classes using the Hamiltonian method of swarm design,” in Proc. 9th Int. Conf. Agents Artif. Intell., vol. 2. Setúbal, Portugal: SciTePress, 2017, pp. 145–152.[119] A. Renzaglia, L. Doitsidis, A. Martinelli, and E. B. Kosmatopoulos, “Multi-robot three-dimensional coverage of unknown areas,” Int. J. Robot. Res., vol. 31, no. 6, pp. 738–752, May 2012.[120] W. Hönig, J. A. Preiss, T. K. S. Kumar, G. S. Sukhatme, and N. Ayanian, “Trajectory planning for quadrotor swarms,” IEEE Trans. Robot., vol. 34, no. 4, pp. 856–869, Aug. 2018.[121] W. Hönig, S. Kiesel, A. Tinka, J. W. Durham, and N. Ayanian, “Persistent and robust execution of MAPF schedules in warehouses,” IEEE Robot. Autom. Lett., vol. 4, no. 2, pp. 1125–1131, Apr. 2019.[122] R. R. Negenborn and J. M. Maestre, “Distributed model predictive control: An overview and roadmap of future research opportunities,” IEEE Control Syst., vol. 34, no. 4, pp. 87–97, Aug. 2014.[123] C. E. Luis, M. Vukosavljev, and A. P. Schoellig, “Online trajectory generation with distributed model predictive control for multi-robot motion planning,” IEEE Robot. Autom. Lett., vol. 5, no. 2, pp. 604–611, Apr. 2020.[124] H. Hamann and A. Reina, “Scalability in computing and robotics,” 2020, arXiv:2006.04969. [Online]. Available: http://arxiv.org/abs/2006.04969[125] D. Albani, T. Manoni, D. Nardi, and V. Trianni, “Dynamic UAV swarm deployment for non-uniform coverage,” in Proc. 17th Int. Conf. Auton. Agents MultiAgent Syst. (AAMAS), 2018, pp. 523–531.[126] N. Correll and A. Martinoli, “Multirobot inspection of industrial machinery,” IEEE Robot. Autom. Mag., vol. 16, no. 1, pp. 103–112, Mar. 2009.[127] J. J. Dawkins, F. L. Crabbe, and D. Evangelista, “Deployment and flight operations of a large scale UAS combat swarm: Results from DARPA service academies swarm challenge,” in Proc. Int. Conf. Unmanned Aircr. Syst. (ICUAS), Jun. 2018, pp. 1271–1278.[128] G. C. Messenger, “Radiation hardening,” in AccessScience. McGraw-Hill, 2020. [Online]. Available: https://www.accessscience.com/ content/566850[129] T. M. Roehr, F. Cordes, and F. Kirchner, “Reconfigurable integrated multirobot exploration system (RIMRES): Heterogeneous modular reconfigurable robots for space exploration,” J. Field Robot., vol. 31, no. 1, pp. 3–34, 2014. [Online]. Available: https://onlinelibrary.wiley. com/doi/abs/10.1002/rob.21477[130] C. Pinciroli et al., “Self-organizing and scalable shape formation for a swarm of pico satellites,” in Proc. NASA/ESA Conf. Adapt. Hardw. Syst., Los Alamitos, CA, USA: IEEE Computer Society Press, Jun. 2008, pp. 57–61.[131] M. Waibel, B. Keays, and F. Augugliaro, “Drones shows: Creative potential and best practices,” Verity Studios, Zurich, Switzerland, White Paper, Jan. 2017.[132] J. Alonso-Mora, A. Breitenmoser, M. Rufli, R. Siegwart, and P. Beardsley, “Image and animation display with multiple mobile robots,” Int. J. Robot. Res., vol. 31, no. 6, pp. 753–773, May 2012.[133] M. Le Goc, L. H. Kim, A. Parsaei, J.-D. Fekete, P. Dragicevic, and S. Follmer, “Zooids: Building blocks for swarm user interfaces,” in Proc. 29th Annu. Symp. User Interface Softw. Technol. New York, NY, USA: Association for Computing Machinery, Oct. 2016, p. 97.[134] M. Alhafnawi, S. Hauert, and P. O’Dowd, “Robotic canvas: Interactive painting onto robot swarms,” in Proc. Conf. Artif. Life, 2020, pp. 163–170.[135] E. Tsykunov, R. Agishev, R. Ibrahimov, L. Labazanova, A. Tleugazy, and D. Tsetserukou, “SwarmTouch: Guiding a swarm of micro-quadrotors with impedance control using a wearable tactile interface,” IEEE Trans. Haptics, vol. 12, no. 3, pp. 363–374, Jul. 2019.[136] W. Hönig, C. Milanes, L. Scaria, T. Phan, M. Bolas, and N. Ayanian, “Mixed reality for robotics,” in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst. (IROS), Sep. 2015, pp. 5382–5387.[137] S. Jeon et al., “Magnetically actuated microrobots as a platform for stem cell transplantation,” Sci. Robot., vol. 4, no. 30, May 2019, Art. no. eaav4317.[138] X. Dong and M. Sitti, “Controlling two-dimensional collective formation and cooperative behavior of magnetic microrobot swarms,” Int. J. Robot. Res., vol. 39, no. 5, 2020, Art. no. 027836492090310. 原文链接： https://ieeexplore.ieee.org/abstract/document/9460560 由于微信公众号试行乱序推送，您可能不再能准时收到AI科技评论的推送。为了第一时间收到AI科技评论的报道， 请将“AI科技评论”设为星标账号在看”。