Speed-Weighted Adaptive Flocking for Sailing Swarms under Dynamic Environmental Forcing

技术摘要：面向帆船的速度加权自适应 flocking

问题陈述
经典的群体运动模型（例如 Reynolds、Vicsek、Couzin 模型）通常假设自推进智能体具有同质的运动能力，能够直接执行期望的速度和航向。这一假设对于自主帆船机器人而言并不成立，因为它们的运动从根本上受到环境强迫力的制约。具体而言，帆船机器人面临以下挑战：

• 风依赖的推进：速度和机动性与风速耦合；弱风导致转向缓慢或无法转向，而强风则能实现更快的机动。
• 受限的航向：机器人无法直接逆风航行（即“禁航区”），必须执行抢风调向（tacking）机动。
• 瞬态异质性：即使在一个物理上同质的船队中，空间和随时间变化的风况也会在群体内部造成速度和机动能力的临时差异。

这就产生了一个“快 - 慢协调”问题：较快的机器人可能拉伸或分裂群体，而较慢、受限的机器人则面临被抛下的风险。核心挑战在于确定社会影响力应如何加权——群体是应该跟随最快的邻居以保持进展，还是围绕最慢的邻居以保持凝聚力？

方法论
为解决这一问题，作者开发了SailSwarmSwIM，这是一个专为自主帆船机器人群体设计的降阶模拟器。该模拟器捕捉了风依赖的速度、禁航区、抢风调向行为以及稳态和阵风风场，而无需对完整的六自由度水动力学进行建模。

本研究将基线的Couzin 型 flocking 控制器与一种新颖的速度加权自适应 flocking方法进行了比较：

1. 基线：使用标准的区域交互（排斥、定向、吸引），并采用均匀的社会加权。速度变化被动地源于风动力学。
2. 速度加权控制器：引入了一种社会交互规则，其中邻居的影响力由其当前速度（$v_j$）加权，采用正则化逆幂律：$w_{ij} = 1/(v_j + \epsilon)^\gamma$。
   • $\gamma < 0$：优先跟随较快的邻居（快邻居跟随）。
   • $\gamma = 0$：均匀加权（恢复 Couzin 基线，但增加了迎风减速机制）。
   • $\gamma > 0$：优先跟随较慢的邻居（慢邻居锚定）。
3. 速度均衡：控制器包含一个“帆面迎风（sail luffing）”层，主动降低较快船只的推进力（通过松帆），以匹配邻居的速度，从而减少由航向引起的速度离散。

实验在四种风况下（5 m/s 和 10 m/s，均为稳态和阵风）对 $N=10$ 个机器人进行了测试。指数 $\gamma$ 从 $-2$扫描至$10$。性能使用三个指标进行评估：群体紧凑性（凸包面积）、对齐度（极化率）和安全性（累积的不安全近距离事件）。

关键结果
研究识别出一个“稳健折衷”区间，其中适度的慢邻居锚定能提升整体群体性能：

• 最优范围：一个狭窄的小正指数带（$\gamma \in [-0.1, 0.3]$）在所有指标上同时带来了显著改进。
• 性能提升：在代表性设置 $\gamma = 0.01$ 下，群体实现了：
  • 紧凑性：与基线相比，凸包面积减少了 15–29%。
  • 安全性：不安全近距离事件减少了 22–32%。
  • 对齐度：极化率有适度但显著的提升。
• 失效模式：
  • 强快邻居跟随（$\gamma \le -1.5$）：导致群体显著拉伸并降低极化率，特别是在高风环境中。
  • 强慢邻居锚定（$\gamma \ge 1$）：保持了凝聚力，但逐渐侵蚀了对齐度（极化率），导致群体无序。
• 机制：这种改进源于一种平衡：加权较慢的邻居将群体的质心拉向受限的机器人（防止分裂），同时降低了领导者与跟随者之间的相对速度（降低碰撞风险）。

意义与主张
本文声称提供了一个建模框架，用于研究运动能力持续受环境塑造的机器人船队中的自适应集体行为。主要贡献在于证明，在风驱动的群体中，增加较慢机器人的社会影响力可以改善极化率并减少近距离遭遇。

作者强调，这种方法并非寻求针对每个单一指标的通用最优控制器，而是识别出一个能够平衡凝聚力、安全性和对齐度的区间。这项工作验证了，通过速度加权的社交规则来考虑瞬态运动异质性，对于维持帆船机器人群体中连贯的群体行为至关重要，而经典的同质模型在此类问题上是不够的。研究结果源自仿真，作者指出未来的工作将解决异构船队、能量成本以及物理实地实验等问题。