[论文解读] Navigating Robot Swarms Using Collective Intelligence Learned from Golden Shiner Fish

Grace Gao|arXiv (Cornell University)|Jun 30, 2014

Underwater Vehicles and Communication Systems参考文献 12被引用 4

一句话总结

本文提出了一种受生物启发的机器人集群导航方法，通过模拟黑头鱼的集体行为，使机器人集群在无个体对光强梯度认知的情况下自然聚集于黑暗区域。每个机器人采用基于光照强度调制的随机游走与邻近机器人对齐的本地去中心化策略，实现了鲁棒、可扩展且计算量低的集群导航，且通信需求极低。

ABSTRACT

Navigating networked robot swarms often requires knowing where to go, sensing the environment, and path-planning based on the destination and barriers in the environment. Such a process is computationally intensive. Moreover, as the network scales up, the computational load increases quadratically, or even exponentially. Unlike these man-made systems, most biological systems scale linearly in complexity. Furthermore, the scale of a biological swarm can even enable collective intelligence. One example comes from observations of golden shiner fish. Golden shiners naturally prefer darkness and school together. Each individual golden shiner does not know where the darkness is. Neither does it sense the light gradients in the environment. However, by moving together as a school, they always end up in the shady area. We apply such collective intelligence learned from golden shiner fish to navigating robot swarms. Each individual robot's dynamic is based on the gold shiners' movement strategy---a random walk with its speed modulated by the light intensity and its direction affected by its neighbors. The theoretical analysis and simulation results show that our method 1) promises to navigate a robot swarm with little situational knowledge, 2) simplifies control and decision-making for each individual robot, 3) requires minimal or even no information exchange within the swarm, and 4) is highly distributed, adaptive, and robust.

研究动机与目标

• 解决使用集中式或复杂分布式路径规划算法时，大规模机器人集群导航面临的计算可扩展性挑战。
• 利用黑头鱼的自然集体智能，其作为群体可导航至黑暗区域，而无需个体掌握光强梯度信息。
• 设计一种去中心化、鲁棒且自适应的机器人集群导航策略，最大限度降低情境感知与通信需求。
• 证明简单本地规则可在复杂环境（含障碍物）中产生有效的全局集群行为。
• 验证所提方法在集群规模增加时呈线性扩展，而传统方法通常呈二次或指数增长。

提出的方法

• 每个机器人实现基于黑头鱼运动的本地动态：其随机游走速度由局部光照强度调制。
• 机器人的运动方向受附近邻居对齐行为的影响，模拟群体游动行为。
• 该策略无需显式掌握全局目标位置或光强梯度图。
• 系统以极低的机器人间通信运行，仅依赖于与邻近机器人的局部交互。
• 该方法本质上是分布式的，使每个机器人能够仅基于本地感知输入和邻居位置独立决策。
• 通过理论分析与仿真验证所涌现的集群行为及其在不同条件下的鲁棒性。

实验结果

研究问题

• RQ1 基于本地规则的去中心化系统能否在无全局知识或复杂传感条件下，使机器人集群导航至目标（如黑暗区域）？
• RQ2 与传统集中式或完全分布式路径规划算法相比，所提方法在集群规模增大时的可扩展性如何？
• RQ3 在通信极少且情境感知能力低的条件下，机器人在多大程度上可实现协调的集群导航？
• RQ4 该系统对环境干扰（如障碍物或传感器噪声）的鲁棒性如何？
• RQ5 仅通过简单的本地交互，集群的涌现行为能否有效收敛至期望区域（如黑暗区域）？

主要发现

• 所提方法使机器人集群仅依赖局部光照强度与邻居对齐线索，成功导航至黑暗区域。
• 该系统在计算复杂度上对集群规模表现出线性可扩展性，避免了传统方法中常见的二次或指数增长。
• 该方法几乎无需或完全无需机器人间通信，显著降低了协调开销。
• 理论分析证实，在所提动力学下，集群能稳定并收敛至目标区域。
• 仿真结果表明，即使存在障碍物和噪声传感器输入，集群仍能实现鲁棒且自适应的导航。
• 涌现的集体智能使集群无需任一机器人知晓全局光强梯度或目标位置，即可实现定位并聚集于黑暗区域。