💻 computer science

Bio-inspired decision making in robot swarms under biases

本研究表明，尽管在极简主义机器人集群中，直接切换的意见动力学在非社会性偏差下会失效，但受生物启发的交叉抑制机制能够在广泛的偏差条件下，实现对最佳选项稳健、准确且具可扩展性的共识。

原作者： Raina Zakir, Timoteo Carletti, Marco Dorigo, Andreagiovanni Reina

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Raina Zakir, Timoteo Carletti, Marco Dorigo, Andreagiovanni Reina

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一群像蚂蚁或鱼群一样协同工作的微小、简单的机器人。它们没有领导，没有中央计算机，也没有地图。相反，它们必须自主做出群体决策：“我们应该向左走（选项 A）还是向右走（选项 B）？”

问题在于，这些机器人是“有噪声的”。它们的传感器并不完美，它们可能会感到困惑，有时还会接收到错误的信息。这篇论文研究了这些机器人集群如何在情况出错时，依然能够快速且可靠地达成一致意见。

研究人员比较了机器人之间进行交流以达成决策的两种不同方式。你可以将这些视为两种不同的“交通规则”。

两种交通规则

1. “复读机”规则 (直接切换 - Direct-Switch)
想象你身处一个充满人的房间里。你听到有人说：“我们走左边吧！”如果你使用的是复读机规则，你会立即改变主意并说：“好吧，那我们就走左边吧！”你只是简单地复制了你刚刚交流的那个人所持有的观点。

运作方式： 机器人 A 与机器人 B 交谈。如果两者观点不一致，机器人 A 直接切换到机器人 B 的观点。
问题所在： 当一切都很平静时，这种方式效果很好。但如果出现了一点混乱或“噪声”（比如几个固执的人在乱喊，或者某个机器人接收到了错误的信号），整个群体就会陷入困境。它们可能会在两个选项之间反复横跳，无法达成任何共识。这就像一群人试图决定看哪部电影，但每当有人提议新电影时，所有人都会立刻改变主意，结果导致没有人真正选出电影。

2. “停止信号”规则 (交叉抑制 - Cross-Inhibition)
现在，想象另一种规则。你听到有人说：“我们走左边吧！”但你目前的想法是：“我们走右边。”与其立即切换，不如按下暂停键。你变得“犹豫不决”或“中立”。你停止表达自己的观点，并等待。

运作方式： 如果一个坚定的机器人听到了不同的观点，它不会立即切换。它会变成“未承诺状态”（即中立状态）。它不再表达立场，而是作为一个中立的观察者进行倾听。只有处于中立状态的机器人才会听取新想法并选择立场。而那些已经确立立场的机器人会继续坚持自己的观点，直到被告知停止。
结果： 这产生了一种“胜者全得”的效果。拥有更多支持者的那一侧会持续发声，而另一侧则会被“抑制”（沉默）并转为中立。最终，强势的一方会获胜，因为弱势的一方会耗尽其坚定的支持者。

“噪声”因素 (非社会性动态 - Asocial Dynamics)

研究人员在“有偏差”的情况下测试了这些规则。在现实世界中，情况并非完美。他们引入了三种类型的“噪声”或干扰：

固执的机器人： 一个拒绝听取任何人意见，无论如何都坚持喊出一个观点的机器人。
故障： 一个机器人接收到了损坏的信息（比如一条乱码的短信），导致它误以为支持错误的选项。
独立思考者： 一个机器人忽略群体，而是根据自身对环境的观察，有时仅仅因为寻找某个选项更容易，就选择了那个“错误”的选项。

结果如何？

研究人员发现，当情况变得混乱时，有一个明显的赢家：

“复读机”规则 (直接切换) 崩溃了： 当机器人面临哪怕是一点点噪声或固执时，“复读机”组群就会瓦解。它们无法达成一致。它们陷入了“决策僵局”，在两个选项之间徘徊，却始终无法做出选择。这就像一场交通堵塞，每个人都在不断变换车道，但谁也无法前进。
“停止信号”规则 (交叉抑制) 胜出了： 使用“停止信号”规则的群体表现得更加强韧。即使面对固执的机器人、错误的信号或混乱的环境，它们也能迅速打破僵局并选定一方。它们反应更快、更团结，并且能够处理规模更大的机器人集群而不会崩溃。

“反脆弱”的惊喜

这里是最有趣的部分：研究人员发现，“停止信号”组不仅能抵御噪声，有时，适度的噪声甚至能帮助它们做出更好的决策。

想象一下，这是一个“反脆弱”的系统。正如肌肉通过负重训练变得更强壮一样，这种决策系统在面对适度的混乱时，其表现反而得到了提升。噪声帮助群体从可能陷入其中的“错误”选择中脱离出来，推动它们更快地走向正确的决策。

核心结论

如果你拥有一支由简单、带有噪声的个体（如机器人或昆虫）组成的团队，且需要在一个混乱的世界中做出快速、统一的决策：

不要让它们立即互相模仿。这会导致在情况出错时陷入决策瘫痪。
要使用一种“停止信号”机制，即通过产生分歧来触发“暂停”（变为犹豫不决状态）。这能让群体过滤掉噪声，快速打破僵局，并作为一个凝聚力强的整体行动。

这篇论文证明了这种我们在自然界中也能看到的“停止信号”策略（例如蜜蜂阻止竞争对手的侦察行为），是一种强大的、鲁棒的决策方式，即使在混沌的世界中也能行之有效。

技术摘要：受生物启发且存在偏差的机器人集群决策机制

问题陈述
极简主义机器人集群需要在去中心化的环境中自主运行，这些环境具有个体感知噪声大以及通信、计算和存储约束严苛的特点。此类系统的一项关键能力是实现及时且可靠的集体决策，具体而言是解决“n选优”（best-of-n）问题，即集群必须从 $n$ 个离散备选项中选出质量最高的选项。虽然生物集体（如昆虫种群、神经群体）通过简单的局部规则实现鲁棒的共识，但当这些机制部署到面临“非社会动力学”（asocial dynamics）的现实机器人系统中时，会面临显著挑战。这些动力学包括偏置的信息源、受损的通信以及不反映同伴群体状态的独立环境探索。以往的研究通常在理想化、无噪声的条件下或特定的偏差场景下分析决策机制，缺乏一个统一的框架来比较不同机制在协同（偏差有利于最优选项）和拮抗（偏差有利于次优选项）影响的全谱系中的表现。

方法论
作者采用多尺度建模方法来分析两种典型的意见动力学机制：直接切换（基于加权投票模型）和交叉抑制（受蜜蜂寻家行为启发）。

统一数学公式化： 本文引入了一个广义平均场模型，利用常微分方程（ODEs）并结合了一个统一的参数 $\eta$ 来表征非社会动力学。该框架将不同的偏差来源——顽固代理（zealots）、受损通信（中间人攻击）以及自源环境信息——在意见更新方程中视为数学上等价的项。偏差方向由 $\eta_i$ 控制，代表非社会性更新倾向于选项 $i$ 的概率。
随机分析： 为了考虑有限规模集群和随机波动，系统被建模为一个化学反应网络。通过使用 Gillespie 算法计算平稳概率分布（SPD），以此补充确定性的 ODE 分析。
机器人仿真与实验： 通过 100 台 Kilobot 的仿真和 50 台 Kilobot 在 Kilogrid 竞技场中的物理实验验证了理论模型。机器人运行在交替的探索阶段（通过噪声感测数据估计选项质量）和传播阶段（广播意见）。研究测试了在不同水平的非社会动力学 ( $\eta$ ) 和偏差 ( $\eta_a$ ) 下的二元（ $n=2$ ）及多选项（ $n>2$ ）场景。

核心贡献

非社会动力学的统一框架： 本文提供了一个单一的数学公式，将多种非社会性影响（顽固代理、通信破坏、独立环境发现）泛化为一个连贯的模型，从而能够系统地比较不同决策机制在协同和拮抗偏差机制下的表现。
机制对比分析： 严格比较了直接切换和交叉抑制在四个性能指标上的表现：群体凝聚力、决策准确度、决策速度和可扩展性。
多尺度验证： 研究弥合了抽象平均场模型、随机仿真与物理机器人实验之间的鸿沟，证明了尽管存在运动误差和有限通信范围等现实约束，理论中观察到的定性和定量趋势在具身机器人系统中依然成立。
向多选项设置的扩展： 分析超越了二元选择，扩展到 $n > 2$ 个选项，揭示了选项数量如何与非社会动力学相互作用并影响决策结果。

关键结果

凝聚力与僵局： 直接切换机制仅在不存在强非社会动力学的情况下才能可靠地选择最优选项。当引入非社会动力学时，直接切换经常导致决策僵局或弱多数派，无法有效打破对称性。相比之下，交叉抑制在广泛的偏置条件下仍能保持高凝聚力并打破对称性，驱动集群形成明确的多数派。
| * 准确度与凝聚力的权衡： 虽然在特定的低偏差、高质量差异场景下，直接切换可能看起来比交叉抑制更准确，但这种准确度往往源于在不确定平衡点附近的瞬态波动，而非稳定的共识。交叉抑制虽然由于其双稳态特性（尤其是在强拮抗偏差下）偶尔会选择次优选项，但通常在速度和凝聚力方面表现更优。
速度与可扩展性： 交叉抑制在决策速度上始终优于直接切换。此外，交叉抑制的决策速度在集群规模 ( $N$ ) 增加时几乎保持不变，而直接切换则随着规模增大而变慢。
反脆弱性： 研究发现，适度的非社会动力学可以提高交叉抑制的准确度，因为它消除了系统相空间中的次优吸引子，有效地将系统推向一个灵活性与稳定性达到平衡的关键状态。
多选项动力学： 随着选项数量 ( $n$ ) 的增加，即使在低水平的非社会动力学下，直接切换的凝聚力也会迅速下降。交叉抑制在低 $\eta$ 时能保持凝聚力，但随着 $n$ 的增加最终会转向僵局，尽管它在打破对称性方面始终优于直接切换。

意义与主张
本文声称，交叉抑制是一种鲁棒的、受生物启发的去中心化决策机制，特别适用于在噪声和偏置环境下运行的自主机器人集群。与容易在非社会影响下陷入决策僵局的直接切换不同，交叉抑制能够实现更快、更具凝聚力且更具可扩展性的决策。作者认为，抑制性相互作用在多样化的生物系统中（从神经回路到昆虫种群）的反复出现，可能是为了确保即使在信息不完美或冲突时也能实现快速、统一行动的一种进化适应。

这些发现为设计能够容忍顽固代理、通信篡改或独立环境发现等干扰的极简主义集群算法提供了理论和实践框架。作者指出，像交叉抑制这样具有“反脆弱性”以应对适度压力因素的机制，为那些优先考虑操作响应性和及时行动（而非保证最优性）的系统（如灾难响应或环境监测）提供了一种设计范式。研究结论认为，虽然直接切换可能有助于指示模糊的选择，但对于需要果断集体行动的自主系统而言，交叉抑制更为优越。