北京理工大学机器人研究中心 苏治宝 龚建伟 熊光明 陆际联 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
概述 在当今的数字时代，人们对于用现代科技解决复杂任务的需求日益高涨。虽然随着机器人技术的发展，机器人的能力不断提高, 机器人应用的领域和范围也在不断扩展，但是对于一些复杂的任务，单个机器人不再是最好的解决方案,而由是多个机器人组成的系统。 多机器人系统不是物理意义上的单个机器人的简单代数相加，其作用效果也不是单个机器人作用的线性求和，它应该还包括一个“线性和”之外的基于个体之间相互作用的增量。这种个体之间的相互作用包含两个因素：“协调”与“合作”。 因此，多机器人系统是指若干个机器人通过合作与协调而完成某一任务的系统。它包含两方面的内容，即多机器人合作与多机器人协调。当给定多机器人系统某项任务时，首先面临的问题是如何组织多个机器人去完成任务，如何将总体任务分配给各个成员机器人，即机器人之间怎样进行有效地合作。当以某种机制确定了各自任务与关系后，问题变为如何保持机器人间的运动协调一致，即多机器人协调。对于由紧耦合子任务组成的复杂任务而言，协调问题尤其突出[1]。 多机器人合作和协调是多机器人系统研究中的两个不同而又有联系的概念。前者研究的重点是高层的组织与运行机制问题，侧重实现系统快速组织与重构的柔性控制机制；后者则是研究机器人之间合作关系确定后具体的运动控制问题。 1 多机器人系统的优点 与单个机器人相比，多机器人系统具有许多优点[2]： (1) 单个机器人不能完成某些任务，必须依靠多个机器人才能完成。例如让机器人搬运一个重物，对于这样的任务也许可以设计一个能力特别强的机器人来完成，但从设计的复杂性和成本等方面来考虑，这样的方案不如让多个简单的机器人组成系统来协作搬运。还有一些任务，如执行战术使命、足球比赛等，必须要由一个机器人团队来完成而非单个机器人。 (2) 对于可以分解的任务来说，多个机器人可以分别并行地完成不同的子任务，这比单个机器人完成所有的子任务要快得多。就是说，多机器人系统可以提高工作效率。对未知的区域建立地图、对某区域进行探雷均属于这类任务。 (3) 对于多机器人系统来说，可以将其中的成员设计成完成某项任务的“专家”，而不是设计成完成所有任务的“通才”，使得机器人的设计有更大的灵活性，完成有限任务的机器人可以设计得更完善。 (4) 如果成员之间可以交换信息，多机器人系统可以更有效和更精确地进行定位。这对于野外作业的机器人尤其重要。 (5) 多机器人系统中的成员相互协作可以增加冗余度，消除失效点，增加解决方案的鲁棒性。例如，装配有摄像机的多机器人系统要建立某动态区域的基于视觉的地图，那么某个机器人的失效不会对全局任务产生很大影响，因此，这样的系统可靠性更强。 (6) 多机器人系统与单个机器人相比，可以提供更多的解决方案，因此可以针对不同的具体情况，优化选择方案。 2 多机器人系统的应用领域 由于多机器人系统的优点，使得它的潜在应用领域非常广泛[2]，列举如下： ● 远地作业 某些应用要求体自主机器人系统能够自动完成复杂的工作，而人类可以不时地从远处进行干预，以改变操作过程，弥补机器人的能力不足，与机器人协作共同完成复杂的任务。这类应用领域如行星科学探险，在煤矿、火山口等高危环境下作业以及在水下培育作物等。 ● 协助军事行动 现代战争中使用机器人代替士兵执行危险的任务能最大限度地减少地面部队和非参战人员的伤亡。这类任务有排雷、放哨、搜索、追踪及架设通信设施等。 ● 协助震后搜索与营救 城市搜寻和营救人员只有48小时在倒塌的建筑物中寻被困的幸存者。否则，他们存活的可能性几乎为零。近来发生在一些地区的地震，造成的城市环境的破坏程度超过了现有的营救资源（搜寻和营救专家、狗和探测器等）的能力。由于难以知道大型建筑物破坏的程度，影响了营救人员对该建筑物进行安全、有效的搜索。有时由于人和狗的体积太大，不能到达要搜索的空间。如果能使机器人协助进行这方面的工作，那么将会产生很大的影响。 ● 自动仓库管理 仓库操作人员面临着在降低成本的同时提高对客户的反应速度的竞争挑战。由于涉及的劳动内容以及设备投资等原因，指令拣选过程（order picking）在配送中心是成本最高的作业之一。操作人员依靠人力来进行拣选并借助码垛车或传送带系统运输物料。将这些作业自动化将会受益非浅。在仓库管理系统的全局监控下，自动码垛车在配送中心漫游，并移动到某个停驻在物料通道边的拣选机，运送物料。这样拣选机就可以专门进行拣选而不需要花时间来回移动。因此，就可以实现仓库管理工作的自动化和智能化，提供工作效率。 ● 智能环境 智能环境是指利用计算机来完全改善日常活动的空间。智能环境通过把计算机和日常现象联系起来，能够使原来处于人-机范围之外的事情相互作用。这可以应用到智能房间和个人助理。许多环境如办公楼、超市、教室及饭店很可能在今后逐渐发展成智能环境。这些环境中，智能体将会监视资源的优化使用，也会解决资源使用方面的冲突，智能体还要跟踪环境中对各种资源的需求。另外，进入环境中的每个人都会拥有一个智能体，该智能体的目标是为用户优化环境中的条件。 ● 自动建造 该应用领域涉及大规模结构的装配，诸如高楼大厦、行星居住区或空间设备。将来，多异构机器人系统将会在空间组装大型空间设备，而这对于人类来说是非常困难的。 ● 教育及娱乐系统 机器人玩具、教育工具及娱乐系统越来越风行。许多这样的系统（如机器人足球）要求多机器人之间进行协调。 ● 自动化工厂 工厂实现自动化是发展趋势。为了增加产量、减少劳动成本，提高效率、安全性及总体质量，越来越多的产业在寻求生产自动化设备。这要求有高效、高鲁棒性的异构多机器人系统的协作。 ● 清除危险区域 这样的例子有机器人扫雷、清扫核废料及清扫灾区。 ● 农业机器人 在艰苦条件下的重体力劳动、单调重复的工作，如喷洒农药、收割及分选作物等有望由多农业机器人系统完成，以解放出大量的人力资源。 3 多机器人系统的性能衡量指标 各个应用领域要求多机器人系统要有很高的性能，这些性能由下列指标衡量[2]： (1) 鲁棒性（Robustness）：对机器人出现故障具有鲁棒性。因为许多应用要求连续的作业，即使系统中的个别机器人出现故障或被破坏，这些应用要求机器人利用剩余的资源仍然能够完成任务。 (2) 最优化（Optimized）：对动态环境有优化反应。由于有些应用领域涉及的是动态的环境条件，具有根据条件优化系统的反应的能力成为能否成功的关键。 (3) 速度（Speed）：对动态环境反应要迅速。如果总是要求将环境信息传输到别的地方进行处理才能作出决策，那么当环境条件变化很快时，决策系统就有可能不能及时提供给机器人如何行动的指令。 (4) 可扩展性（Extensibility）：根据不同应用的要求易于扩展以提供新的功能，从而可以完成新的任务。 (5) 通信（Communication）：要有处理有限的或不太好的通信的能力。要求应用领域为机器人之间提供理想的通信，这在许多情况下是不现实的。因此，协调体系结构对通信失效要具有很强的鲁棒性。 (6) 资源（Resource）：合理利用有限资源的能力。优化利用现有的资源，是优化多机器人协调的重要因素。 (7) 分配（Allocation）：优化分配任务。多协调机器人系统中一个主要难点就是确定个体机器人的任务，这是设计体系结构时要考虑的重要因素。 (8) 异构性（Heterogeneity）：能够应用到异构机器人团队的能力。为了易于规划，许多体系结构以同构机器人为假设条件。如果是异构机器人的情况，协调问题将更困难。成功的体系结构应当对同构机器人和异构机器人都适用。 (9) 角（Roles）：优化指定角。许多体系结构将机器人限于完成一种角的功能，但机器人拥有的资源可以完成多种任务。优化指定角可以使机器人根据当时可以利用的资源尽可能地完成多个角的功能，并且随着条件的变化而变化。 (10) 新输入（New Input）：有处理动态新任务、资源和角的能力。许多动态性应用领域要求机器人系统能够在运行过程中处理一些变化，如处理新分配的任务、增加新资源或引进新角。所有这些都由体系结构支持。 (11) 灵活性（Flexibility）：易于适应不同的任务。由于不同的应用，有不同的要求，因此通用的体系结构需要有针对不同的问题可以轻松重新配置的能力。 (12) 流动性（Fluidity）：易于适应在操作过程中增加或减少机器人。一些应用要求可以在系统运行过程中添加新的机器人成员。同样，在执行任务的过程中系统也要具有适应减少成员或成员失效的现象。合理的体系结构可以处理这些问题。 (13) 学习（Learning）：在线适应特定的任务。虽然通用的系统非常有用，但将它用于特定应用上时，通常需要调整一些参数。因此具有在线调整相关参数的能力是非常吸引人的，这在将体系结构转移到其它应用时可以节省许多工作。 (14) 实现（Implementation）：能够在物理系统上实现和验证。和其它问题一样，用实际的系统证实更能令人信服。然而要想成功实现物理系统需要解决那些在仿真软件系统上不能发现的细节问题。 表1.1是目前多机器人系统在一些应用领域的性能指标实现情况。其中，“√”表示对应的指标已实现或达到。 表1.1 多机器人系统的应用领域和性能指标
4 多机器人系统的研究现状和研究内容[1~14] 正是因为多机器人系统有许多优点和应用领域，它才日益引起国内外学术界的兴趣与关注。在20世纪40年代中期，Grey Walter、Wiener和Shannon一起研究海龟一样的机器人，这些机器人装备有灯和接触传感器。通过对相互之间动作的反应，这些简单的机器人显示出“复杂的社会行为”。 自从20世纪70年代，多智能体的研究在分布式人工智能领域得到重视，一些机器人学的研究者开始将分布式人工智能（DAI）理论应用到多机器人系统的研究中。 由于多机器人系统的应用前景非常巨大，美、欧、日等发达国家从20世纪80年代中期就对多机器人系统投入了相当大的研究热情，协作机器人学得到发展，起初的项目有ACTRESS、DEBOT、GOFER、SWARM等。早期的研究主要以仿真为主，但近来的研究更强调实际的物理实现。如欧盟设立专门进行多机器人系统研究的MARTHA课题——“用于搬运的多自主机器人系统(Multiple Autonomous Robots for Transport and Handling Application)”。美国海军研究部和能源部也对多机器人系统的研究进行了资助。国内在该领域的研究工作很少，只有少数的研究所和大学在进行相关的研究，且大部分的研究工作仍然停留在仿真和实验室阶段。 20世纪80年代后期，协作多机器人系统的快速发展体现为三个方面的相互影响：问题、系统和理论。为解决一个给定的问题，想象出一个系统，然后进行仿真、构建，借用别的领域的理论进行协作。将这些实际应用中多机器人合作所面临的任务加以抽象，列出了一些代表性的任务，这些任务可分三类： ● 交通控制(Traffic Control) 当多个机器人运行在同一环境中时，它们要努力避碰。从根本上说，这可以看作是资源冲突的问题，这可以通过引进如交通规则、优先权或通信结构等来解决。从另一个角度来看，进行路径规划必须考虑其它机器人和全局环境。这种多机器人规划本质上是配置空间－时间中的几何问题。 ● 推箱子/协作操作(Box-Pushing/Cooperative Manipulation) 许多工作是讨论推箱子问题的。有的集中在任务分配、容错和强化学习上，而有的则研究通信协议和硬件。协作操作较大的物体也非常令人感兴趣，因为即使机器人之间相互不知道对方的存在也可以实现协作行为。 ● 采蜜(Foraging) 它要求一机器人去拣起散落在环境中的物体。这可以联想到有毒废物清除，收割，搜寻和营救等。采蜜任务是协作机器人学的规范的试验床。这个问题之所以感兴趣是因为，一方面这种任务可以由单个机器人来完成，另一方面可以从生物学获得灵感来研究协作机器人系统。解决方案有最简单的随机运动拾捡，还有将机器人沿着目标排成链型队形将目标传递到目的地。在研究这类问题时，体的体系结构和学习也是主要的研究主题。 多机器人系统是一个复杂的系统，研究的内容涉及方方面面，主要有： (1) 体的体系结构 体系结构是多机器人系统的最高层部分和基础, 多机器人之间的协作机制就是通过它来体现的, 它决定了多机器人系统在任务分解、分配、规划、决策及执行等过程中的运行机制以及系统各机器人成员所担当的角，如各机器人成员在系统中的相对地位如何，是平等、自主的互惠互利式协作还是有等级差别的统筹规划协调。总之，正如社会制度作用于人类社会一样, 它决定了多机器人系统的运作机制, 事关协作效率的高低。从系统设计的角度而言, 系统结构要有利于个体能力最大程度的发挥和任务的最高效完成。另外，协作机器人系统面向的是动态变化的环境，因而系统结构要对环境有自组织适应能力。 一般地，根据系统中是否有组织智能体为标准，将体系结构分为集中式控制和分布式控制，分别如图1.1和图1.2所示。 图1.1 集中式控制 图1.2 分布式控制 集中式结构以有一个组织智能体为特点，由该组织智能体负责规划和决策，其协调效率比较高，减少了用于协商的开销，最突出的优点是可以获得最优规划。但难以解决计算量大的问题，因此其实时性和动态特性较差，不适用于动态、开放的环境。 分布式结构没有组织智能体，个体高度自治，每个机器人根据局部信息规划自己的行为，并能借助于通信手段合作完成任务，其所有智能体相对于控制是平等的，这种结构较好地模拟了自然社会系统，具有反应速度快、灵活性高、适应性强等特点，适用于动态、开放的任务环境。但这种结构增加了系统的复杂性，由于没有一个中心规划器，所以难于得到全局最优的方案，还可能带来通信的巨大开销。目前，分布式结构是主流。 普遍的看法是分布式结构在某些方面（如故障冗余、可靠性、并行开发的自然性和可伸缩性等）比集中式结构要好。 另外，有的学者将分布式结构和集中式结构相结合，相互取长补短，系统中的组织智能体对其它个体只有部分的控制能力。 Anthony Stentz和M. Bernardine Dias提出了用自由市场体系的方法协作一组机器人实现特定的目标[13]。自由市场体制已被证实是一种能组织大量个体，从而提高总体生产效率的机制。这种方法对特定任务的解决方案定义收入和支出函数，将任务分解成子任务，机器人在执行任务时，为了获得最大的个人收入就会出现合作和竞争，从而实现目标。这种基于自由市场体系的控制方法由于没有集中控制而会有很高的鲁棒性，并且能够在动态环境中有效地利用资源。这种控制体系本质上是分布式的，但有时会形成集中式的子组以提高效率。 在体体系结构中还涉及同构与异构的问题。如果体中所有机器人的能力一样，则这样的系统为同构系统，如果体中机器人的能力不尽相同，那么这样的系统为异构系统。相比之下，异构系统更具有普遍性，但它会使问题更复杂，任务分配更加困难，智能体更需要对体中的其它个体建模。在异构系统中，任务分配一般按个体的能力来确定，在同构系统中，各智能体需要被区分为不同的角，以便控制时加以识别。体体系结构要能够适应动态自组织的要求。在系统拓扑结构可变情况下，动态选举组织智能体和建立多智能体之间的关系是建立体系结构时要考虑的问题之一。目前的研究中以同构系统居多。 在协作多机器人系统中，比较典型的体系结构有GOFER[15]、MURDOCH[16]、KAMARA[17]、ALLIANCE[18]、STEAM[19]、CEBOT[20]、SWARM[21]等。 Caloud和Lepape等人用GOFER体系结构研究了室内环境中多个移动机器人进行分布式求解问题。在该体系结构中，有一个中心任务规划系统（CTPS）。CTPS与所有的机器人进行通信，对所有机器人的运行状态和任务的完成情况有全局了解。然后，CTPS产生计划结构，并将其通知所有的机器人。机器人利用任务分配算法来决定自身的角。这样，各机器人就可以知道系统在完成任务的过程中自身的目标，并利用传统的AI规划技术来实现该目标。利用GOFER已经成功地完成了三个机器人进行推箱子、跟踪等任务。 Gerkey和Mataric等人提出了MURDOCH体系结构，它是一种以资源为中心的信息交流模型。该结构的主要特点在于，所有的通信交流都是以完成某任务所需要的资源为中心的，而不是基于名称的。所有的任务分配都是根据单轮的拍卖交易而定。拍卖者决定谁是赢家，并通知该出价者。赢家获得了任务合同，并要在有限的时间内完成该任务。拍卖者负责监控任务的完成情况，并周期性地给赢家发送合同更新信息，赢家要返回确认信息。这些信息交流就对通信系统提出了一定的要求。如果拍卖者没有及时收到确认信息，则它认为赢家机器人已经出现了故障，并将该任务交给其它的出价者来完成。这样，系统中就可能有多个机器人来完成同一项任务。 为了研究松耦合的中小型异构机器人团队的合作问题，Parker等人设计了ALLIANCE体系结构，它是一种具有容错和自适应能力的多机器人协调体系结构。单个机器人采用基于行为的控制器，并将行为扩展为“行为集合”，这些行为集合可以完成一定的任务。这些行为集合靠动机行为（如急躁、默许）激活，从而使机器人去完成其它机器人不能完成的任务或放弃自己不能完成的任务。这就要求机器人可以通过感知或明确的广播通信获得它自身以及其它机器人的行为结果。虽然在这种体系结构中机器人团队具有容错能力和适应性，但系统不能够对动态变化的条件作出快速优化的反应。利用这种结构已经实现完成了推箱子、收集圆盘、队形前进等任务。 CEBOT是一种分散式、分层体系结构，它是由Fukuda和Nakagawa等人从生物学中的细胞结构获得灵感而提出的。系统中的“细胞”就是自主机器人，它和其它的“细胞”相互耦合，并可以根据环境的变化动态地重新配置它们的结构，从而达到某种最优的结构。CEBOT的层次中，“主细胞”(master cell) 用来协调子任务并和其它的主细胞进行通信。其他的一些学者还对这种体系结构中主细胞的选择机制、通信以及对细胞行为的建模等问题进行了研究。 总之，虽然许多多机器人协作结构已经在机器人系统上得到了实现，并取得了不同程度的成功，但都需要满足一定的前提条件。至今仍然没有一种通用的体系结构可以满足在动态环境中多机器人有效协作的所有准则。 对于单机器人来说，主要有分层递阶和基于行为两种体系结构。 (2) 通信与协商 为进行合作，多智能体之间要进行协商。协商从形式上看是合作前或合作中的通信过程。因此，通信是多机器人系统动态运行时的关键。一些研究虽然在探讨无通信的合作，但依据通信使系统效率得到提高是更实际的。按照交互方式可以将通信分为三类： ✧ 通过环境实现交互 即以环境作为通信的媒体，这是简单的交互方式，但机器人之间并没有明确的通信。 ✧ 通过感知实现交互 机器人之间距离在传感器感知范围之内时，可以相互感知到对方的存在，感知是一种局部的交互，机器人之间也没有明确的通信。这种类型的交互要求机器人具有区分机器人与环境中物体的能力。多智能体机器人系统由于每个机器人都可能具有自己的传感器系统，整个系统的传感器信息融合和有效利用是一个重要问题。 ✧ 通过明确的通信实现交互 机器人之间有明确的通信，包括直接型通信和广播型通信。 尽管计算机网络通信提供了机器人之间通信的基本解决方案，但适合多机器人的实时性要求的通信协议、网络拓扑结构及通信方式还需要进行研究。目前计算机网络技术的迅速发展，为分布式信息处理系统带来极大的便利。多机器人系统作为典型的分布式控制系统之一，网络结构将是其特征之一。但是，多机器人系统的通信与面向数据处理与信息共享的计算机网络通信有很大的不同。如果机器人之间过分依赖通信进行信息获取，那么，当机器人数量增加，系统通信就会变成提高系统效率的瓶颈。因此，既要研究适合多机器人系统通信的机制，又要利用智能体机器人具有对周围环境的感知和推断能力，研究机器人系统能基于对合作伙伴的行为推断，辅之以必要的通信的控制策略。 (3) 学习 到正确的控制参数值，从而导致协作行为对于设计者来说是一项花费时间且困难的任务。学习是系统不断寻或优化协作控制参数正确值的一种手段，也是系统具有适应性和灵活性的体现。因此，非常渴望多机器人系统能够学习从而优化控制参数完成任务，且能适应环境的变化。强化学习(Reinforcement learning)是多机器人协作系统中经常使用的一种学习方式。 (4) 建模与规划 如果智能体对与之协作的其他智能体的意图、行动、能力和状态等进行建模，可使智能体之间的合作更有效。当智能体具有对其他智能体行为进行建模的能力时，对通信的依赖也就降低了。这种建模要求智能体能够具有关于其他智能体行为的某种表达，并依据这种表达对其他智能体的行动进行推理。 根据系统全局目标，各智能体应采用反应式规划的方法，包括由全局任务级规划到各智能体动作级规划的实现，传感器信息的利用，智能体间任务转移，事件驱动的行为响应(事件包括来自传感器、人机接口信息和其他智能体的通信)等。 滴胶标牌(5) 防止死锁与避碰 多个智能体机器人在共同的环境中运行时，会产生资源(如时间和空间)冲突问题。碰撞实际上也是一种资源冲突。在解决资源冲突的过程中，如果没有适当的策略，系统会造成一种运行的动态停顿。通过规划(如事先确定某些规则、优先级等)，可以避免一部分死锁与碰撞。多智能体机器人系统在事先难于预料的重组后，其死锁避碰问题仍是富有挑战性的题目。 (6) 合作根源 智能体之间能否自发地产生合作，合作动机是什么，是一个令人感兴趣的问题。目前的多机器人系统研究中几乎都是人为地假设了合作必然发生。McFarland定义了自然界中的两种体行为：纯社会行为(eusocial behavior)和协作行为。纯社会行为可以在蚂蚁或蜜蜂这一类昆虫体中发现，是个体行为进化所决定的行为。在这样的社会中，个体智能体的能力十分有限，但从它们的交互中却呈现出了智能行为。这种行为对生态体中个体的生存是绝对必要的。协作行为是存在于高级动物中的社会行为，是在自私的智能体之间交互的结果。协作行为不象纯社会行为，不是由天生行为所激发的，而是由一种潜在的协作愿望，以求达到最大化个体利益所驱动的。生物学系统的体行为是有启发的，但在目前机器人的智能水平上实现也许为时尚早，但这个问题的研究会有助于实际系统的设计与实现。 (7) 多智能体机器人控制系统的实现 传统的商品化机器人控制器是面向机器人以部件单元式应用而发展起来的，难于满足多机器人协作控制的要求。多智能体机器人控制器与传统的机器人控制器将有很大的区别，它不仅要求较高的智能与自治的控制能力，而且要有易于协作、集成为系统工作的机制与能力。在控制器实现时，要具备支持协作的新软件和硬件体系结构，如编程语言、人机交互方式、支持系统扩展的机制等。在具有分布式控制器的多机器人系统中，构造与实现系统(包括支持多机器人协调合作的问题求解或任务规划机制，控制计算机系统架构，分布式数据库等)应能使系统具有柔性、快速响应性和适应环境变化的能力。 静压测试5 多机器人系统的研究发展趋势 由于协作机器人学是一个高度交叉的学科，其它相关学科的发展对它的影响很大，研究协作多机器人系统需要借鉴这些学科或解决某些问题的理论和方法，这是研究多机器人系统的发展方向和趋势，具体来说，这些学科有： ● 分布式人工智能(DAI) DAI主要研究由智能体组成的分布式系统，它分为两个部分：分布式问题求解(DPS)和多智能体系统(MAS)。DPS主要研究利用多个智能体解决同一个问题，智能体独立地解决每个子问题或子任务，并周期性地进行交流结果。DPS中至少有三方面可以供多机器人系统借鉴：问题分解（任务分配）、子问题求解以及解综合。 MAS研究多智能体的体行为，这些智能体的目标存在潜在的冲突。MAS可以供协作多机器人学借鉴的东西不只是MAS的一些具体的结论,更重要的是它的方法，如Agent建模方法、Agent的反射式行为驱动策略、Agent的拓扑结构、组织方法、多机器人Agent系统的框架、通信协议、磋商和谈判策略以及系统的实现方法等。 ● 分布式系统(Distributed System) 多机器人系统实际上就是一个分布式系统的特例，因此分布式系统是解决多机器人系统问题的重要思想来源。但分布式计算仅仅提供理论基础，具体的应用还有具体分析。利用多机器人系统与分布式计算系统的相似性，一些学者已经利用分布式系统的理论试图解决死锁、消息传递、资源分配等问题。 ● 生物学(Biology) 生物学中蚂蚁、蜜蜂及其它居昆虫的协作行为提供了有力的证据：简单的智能体组成的系统能完成复杂的任务。这些昆虫的认知能力非常有限，但通过相互交互就可以出现复杂行为。研究其自组织机制和合作机制，对于实现多机器人系统的协作将很有帮助。 另外，相关的学科还有社会学、生命科学以及工程学等。 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
本文发布于:2024-09-22 11:26:39，感谢您对本站的认可！
本文链接：https://www.17tex.com/tex/2/156332.html
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。
| 留言与评论（共有 0 条评论） |
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议