有時候，僅憑一個機器人是不夠的。考慮進行一次搜救任務、尋找在樹林中迷路的徒步旅行者。救援人員可能想部署一支輪式機器人小隊漫游森林，也許可以借助無人機從上方搜尋場景。機器人團隊的好處顯而易見。但是，協調該團隊絕非易事。如何確保機器人在重復的搜索軌跡上不會重復彼此的工作或浪費精力？

麻省理工學院的研究人員設計了一種算法，以確保信息收集機器人團隊的卓有成效的合作。他們的方法依賴于在收集的數據和消耗的能量之間進行權衡，從而消除了機器人可能執行浪費性操作以僅獲取少量信息的機會。研究人員說，這種保證對于機器人團隊在復雜、不可預測的環境中取得成功至關重要。

麻省理工學院航空與航天系（AeroAstro）的博士生Cai Xiaoyi表示：“由于算法的最壞情況，我們的方法能夠提供舒適性，因為我們知道它不會失敗。”

Cai是該論文的主要作者，這項研究將在5月的IEEE國際機器人與自動化會議上進行介紹。他的合著者包括麻省理工學院Maclaurin航空與航天學教授Jonathan How、賓夕法尼亞大學的Brent Schlotfeldt和George J. Pappas、加州大學圣地亞哥分校的Nikolay Atanasov。

機器人團隊經常依靠一項總體規則來收集信息：越多越好。

Cai說：“人們一直認為收集更多信息永遠不會有什么壞處，如果有一定的電池壽命，我們就用它來獲得盡可能多的電量。”該目標通常是按順序執行的-每個機器人都會逐一評估情況并規劃其軌跡。這是一個簡單的過程，通常在信息是唯一目標的情況下效果很好。但是，當能源效率成為一個因素時，就會出現問題。

Cai說，收集更多信息的好處通常會隨著時間的流逝而減少。例如，如果您已經有99張森林的圖片，那么可能不值得派出機器人進行長達一英里的任務以捕捉第100張。Cai說：“讓更多的機器人四處走動并不總是一件好事。如果將能源成本考慮在內，實際上可能會更糟。我們希望認識到信息與能源之間的權衡。”

研究人員開發了一種機器人團隊計劃算法，可以優化能量和信息之間的平衡。該算法的“目標函數”決定了機器人提出的任務的價值，這說明了收集額外信息帶來的收益減少以及能源成本不斷上升的問題。與以前的計劃方法不同，它不只是按順序將任務分配給機器人。Cai說：“機器人會自己制定團隊計劃，這更多是協作的成果。” 

Cai的方法稱為“分布式本地搜索”，它是一種迭代方法，可通過在團隊的總體計劃中添加或刪除單個機器人的軌跡來提高團隊的績效。首先，每個機器人獨立地生成可能跟蹤的一組潛在軌跡。接下來，每個機器人向團隊其他成員提出其軌跡。然后，算法根據是增加還是減少團隊的目標功能來接受或拒絕每個人的提議。

Cai說：“我們允許機器人自行計劃其軌跡。只有當他們需要提出團隊計劃時，我們才讓它們進行判斷。因此，這是一個相當分散的計算。”

分布式本地搜索在計算機仿真中證明了自己的價值。研究人員在協調一個由10個機器人組成的模擬團隊時，將他們的算法與競爭對手的算法進行對比。盡管“分布式本地搜索”花費了更多的計算時間，但它確保了機器人任務的成功完成，部分原因是確保沒有團隊成員陷入對信息最少的浪費的考察中。Cai說：“這是一種更昂貴的方法。但同時我們也有所收獲。”

俄勒岡州立大學的機器人專家Geoff Hollinger表示，這項進步有一天可以幫助機器人團隊解決能源是一種有限資源的現實世界中的信息收集問題，這些技術適用于機器人團隊需要在感測質量和能量消耗之間進行權衡的情況。那將包括空中監視和海洋監視。

Cai還指出了映射和搜索救援中的潛在應用程序，提高這種基本的信息收集能力將產生很大的影響，這依賴有效數據收集的活動。研究人員接下來計劃在實驗室的機器人團隊中測試他們的算法，包括無人機和移動機器人。

*圖片均來源于網絡