想象一支机器人团队被派往一个 GPS 信号无法到达的建筑内，任务是绘制人群流动或房间温度的图谱。在现实世界中，这些机器不能简单地询问卫星它们在哪里。相反，它们必须完全依赖于周围所能看到和感知到的信息，仅与它们能够触及的邻居进行通信。这就是集群机器人技术（swarm robotics）面临的挑战：创造一种无需中央指挥官或全局地图即可实现的鲁棒且可扩展的集体智能。为了解决这个问题，研究人员经常转向一种称为高斯过程回归（Gaussian process regression）的统计方法。可以将这种方法想象成一种根据少量分散测量值来绘制出整个景观的平滑且智能的推测方式。它使系统不仅能够预测已知点之间的内容，还能理解其预测的确定程度。这种能力对于需要安全导航或监测随时间变化环境的机器人至关重要。然而，一个主要的障碍一直是这些数学工具通常要求机器人知道其精确坐标。在没有全球定位系统的情况下，机器人收集的数据点会变成一个移动且混乱的堆砌，使得构建连贯的世界图像几乎变得不可能。
一组研究人员现在开发了一种名为“位置无关高斯过程回归”的新方法来克服这一局限。他们的工作通过计算机模拟进行了测试，证明了即使在没有任何单个机器人知道其自身空间位置的情况下，一群机器人也能建立起可靠的空间场模型，例如风向模式或人群移动。他们解决方案的核心是一个巧妙的两部分过程。首先，机器人使用一种技术，通过局部对话达成对共享参考框架的共识。随着它们的移动和相遇，它们迭代地调整各自的内部地图，直到它们在彼此相对位置的理解上达成一致。与此同时，它们运行着一种学习算法，不断更新它们对环境的模型。由于机器人的内部方向感会随着运动传感器的微小误差而随时间发生漂移，该算法被设计为具有适应性。它会逐渐减少对旧数据的权重，有效地“遗忘”那些因这种漂移而可能变得不准确的测量值，同时优先考虑新鲜的观测数据。这确保了即使在机器人游走时，模型也能保持敏锐和相关。
为了测试这个系统，研究人员模拟了一群在虚拟竞技场中移动的地面机器人。在一种场景中，机器人的任务是绘制一个合成场，类似于追踪房间内的温度变化。他们发现，随着机器人数量的增加，地图的准确性也随之提高，且系统能更快地收敛到正确解。有趣的是，机器人可以通信的距离对最终准确性的影响，不如对达到该准确度速度的影响那么大。即使在通信范围有限的情况下，集群最终也建立了一个一致的全局模型。研究人员还在一个更复杂的场景中测试了该系统：监测人群疏散期间的流动。在此模拟中，一群行人穿过一个房间，而机器人则在其中自由移动，测量人们的方向和速度。机器人必须在不知道自身位置以及不知道人们确切位置的情况下，估算人群的整体流向。结果显示，该集群能够成功重建人群的预期运动模式。当机器人使用一种权重策略，即相比于单个个体的数据，更信任来自较大群体的数据时，估算结果变得更加可靠。
这项研究证实了这种新方法具有良好的扩展性，这意味着无论是有少量还是大量的机器人，它都能有效工作，并且即使在通信不稳定或数据存在噪声时依然保持鲁棒。研究人员证明，该系统可以处理依赖自身传感器的机器人所固有的不确定性，并随着误差的产生进行纠正。虽然这项工作是在模拟环境中进行的，但研究结果为现实世界的应用提供了一条可行路径，例如部署集群来监测疏散过程，或在 GPS 不可用的危险区域绘制地图。这种方法并不要求机器人是完美的；相反，它依赖于群体的集体力量来平滑单个个体的误差，并建立对周围世界的清晰、共享的理解。通过允许机器人在没有全局地图的情况下进行学习和绘图，这项研究为能够操作于最具挑战性和最无结构环境下的、更具自主性和韧性的机器人团队开启了大门。
技术摘要：面向机器人集群的无位置感知高斯过程
问题陈述
机器人集群为建模空间场（如温度、风力、人群流向）提供了一种去中心化且具可扩展性的架构。然而，标准的高斯过程回归（GPR）及现有的去中心化方法通常依赖外部定位系统（如 GPS）来确定数据样本的空间坐标。在机器人集群中，特别是在 GPS 信号受限的环境下，机器人仅依赖局部感知和通信，缺乏全局位置数据。此外，标准 GPR 的计算复杂度随样本量 n 呈 O(n3) 增长，这使得其在处理大规模在线应用时变得不切实际。本文解决的核心挑战是：如何在没有全局位置知识的情况下，利用机器人集群实现可扩展、在线的空间场建模与推理。
方法论
1. 无位置感知高斯过程 (LU-GPR)
作者提出了 LU-GPR，这是一种完全去中心化的在线算法，可在无需外部定位的情况下运行。它集成了两个主要组件：
- 高斯置信传播 (GBP)： 机器人利用 GBP，通过局部通信和迭代消息传递，趋向于建立一个共同的参考框架。这使得集群能够在没有全局定位的情况下，建立起一致的相对坐标系。
- 增量稀疏谱高斯过程 (Incremental Sparse Spectrum GPR)： 为了解决标准 GPR 的计算瓶颈，LU-GPR 采用了基于 随机傅里叶特征 (RFF) 的稀疏近似。这使得推理复杂度从依赖于样本数 (n) 转变为依赖于随机特征数 (m)，具体更新复杂度为 O(m2)。
2. 在线自适应与修正
由于机器人的局部参考框架会随着移动和收敛而发生偏移，算法必须动态调整先前收集的数据：
- 输入修正： 随着局部参考框架的收敛，过去样本的坐标会发生变化。算法将输入向量的有限位移视为特征空间中的相位偏移。利用三角恒等式，这些偏移被表示为应用于特征向量 (Φ) 的二维旋转矩阵 (R)。这使得算法能够以 O(m) 的时间复杂度更新特征矩阵 Φ，而无需重新采样。
- 自适应遗忘： 为了管理不断增长的里程计不确定性和变化的参考框架，模型引入了时间相关的权重函数。使用遗忘因子 λ∈(0,1] 对旧样本进行降权。这是通过加权线性模型实现的，其中噪声方差由 gi(t)=λ(t−ti)ρi 进行缩放。
- 增量更新： 算法推导了协方差矩阵 Cholesky 分解因子 (Ut) 和互协方差向量 (ct) 的更新规则。这些规则允许进行递归更新，以同时处理新数据的到达以及由于框架对齐导致的特征空间旋转，从而保持计算效率。
3. 通过专家乘积进行的集成学习
为了从分布式、局部的观测中构建全局模型：
- 机器人与其通信范围内的邻居交换局部模型（后验均值和方差）。
- 全局估计是通过 广义专家乘积 (GPoE) 构建的。每个机器人通过乘积其同伴的模型（Mk）并结合权重因子 βi 来融合其模型。
- 这种方法允许集群在没有中央协调器的情况下聚合信息，前提是满足最终连通性，即所有机器人都能接收到来自所有其他机器人的模型。
核心贡献
- 去中心化位置无关建模： 引入了 LU-GPR，通过将用于框架对齐的 GBP 与基于 RFF 的 GPR 相结合，实现了在缺乏全局定位系统的情况下的空间场回归建模。
- 同步推理与对齐： 一种在线算法，使机器人能够在推断空间场后验均值和方差的同时，就共同的参考框架达成一致，并在框架收敛时修正历史数据点。
- 可扩展且鲁棒的架构： 使用稀疏谱近似和增量更新确保了算法的扩展性，使其随随机特征的数量而非样本数量进行扩展，同时自适应权重机制为应对不可靠样本和里程计漂移提供了鲁棒性。
- 现实应用演示： 将该框架应用于估计疏散人群的流量，展示了其在监测集体运动模式方面的实用性。
实验结果
作者通过两个场景验证了 LU-GPR：
合成函数分析：
- 在一个封闭区域内进行模拟，使用 3 到 10 个机器人的集群。
- 研究结果： 即使在小型集群规模下，系统也能收敛到解。较大的集群减少了估计偏差和方差，并加速了收敛。有趣的是，通信范围对最终估计质量的影响很小，但显著影响了收敛速率。
- 遗忘因子： 研究表明，遗忘因子 (λ) 的大小直接影响收敛偏差；较低的 λ（更多的遗忘）会增加均方根误差 (RMSE)，而较大的集群可以通过比旧数据消失更快地获取新数据来补偿这一点。
人群行为建模：
- 在一个室内疏散场景的模拟中，机器人估计行人流向。
- 研究结果： 集群成功估计了全局人群行为。与未加权方法相比，加权方法（根据观测到的行人数量对样本进行加权）显示出更低的估计偏差，尽管实验环境中的高方差阻碍了得出确定性统计结论。
- 系统展示了在机器人局部框架对齐时修正数据，以及处理现实传感中固有噪声的能力。
重要性与声明
论文声称 LU-GPR 为在无 GPS 条件下运行的机器人集群提供了可扩展、鲁棒的空间场建模方案。其重要性在于消除了对外部定位系统的依赖，而这正是集群机器人领域的一大约束。
作者谦虚地指出，虽然该方案在有限通信和噪声环境下具有可扩展性和鲁棒性，但仍有若干方面有待未来研究：
- 探索策略： 目前使用的弹道随机游走并非最优；未来的工作可以利用学习到的后验方差进行主动探索。
- 输入不确定性： 目前对里程计噪声（指数级方差增长）的处理是一种近似。使用更准确的“变量误差 (errors-in-variables)”模型可以减少偏差。
- 超参数学习： 当前实现使用固定超参数；未来的迭代可以探索去中心化的超参数学习。
- 通信效率： 论文建议探索更低带宽的消息传递策略，以增强其在实际硬件上的移植性。
最终，这项工作证明了机器人集群可以仅依靠局部感知和通信，有效地学习并建模空间场，填补了理论高斯过程与实际、无需定位的机器人应用之间的空白。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。