Dual-pheromone stigmergic framework for decentralized swarm search and rescue
本文提出了 STIGSAR，一种去中心化的集群搜索与救援框架，该框架利用双重信息素迹（dual-pheromone stigmergy）——结合用于防止重复访问的临时排斥迹和用于目标招募的持久吸引迹——以在无需中心化协调的情况下实现高效覆盖，并具备针对通信丢失和机器人故障的鲁棒性。
原始论文采用 CC BY 4.0 许可（https://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
想象一支由小型机器人组成的团队被派往一个广阔且未知的区域，去寻找隐藏的东西，比如在灾难后的幸存者或失踪的物品。对它们来说，最高效的工作方式是散开并尽可能覆盖更多的地面，同时避免互相干扰或在同一个地方浪费时间进行重复检查。然而，在现实世界中，依靠一台中央计算机来指挥每一台机器人是具有风险的；如果通信链路中断或某个机器人发生故障，整个计划可能会崩溃。自然界提供了另一种解决方案。例如，蚂蚁不需要一个将军来告诉它们该去哪里。相反，它们会在地面上留下化学气味，其他蚂蚁可以闻到这些气味。如果一只蚂蚁发现了食物，它会留下强烈的气味来吸引其他蚂蚁。如果某个区域已经被检查过，另一种气味则会告诉其他蚂蚁继续前进。这种通过在环境中留下线索，而不是直接相互交流的方法被称为“迹效协作”（stigmergy）。它使得一个群体能够在没有领导者的情况下进行协调，并能即时适应变化。
马里兰大学的研究人员构建了一个机器人系统，利用这一原理来解决一个难题：如何高效地搜索大面积区域，并在发现目标后召集更多帮助。他们创建了一个名为 STIGSAR 的框架，代表“迹效搜索与救援”（Stigmetric Search and Rescue）。该系统依赖于机器人在移动时留下的两种截然不同的环境“痕迹”。第一种痕迹是临时且排斥性的；它充当了刚访问过的区域的“禁止进入”标志，鼓励机器人向新的地方移动。第二种痕迹是持久且吸引性的；它充当了一个只有在机器人发现目标时才会出现的信标，引导其他机器人前往该特定位置。通过分离这两个信号，研究小组发现，比起使用单一类型的信号或依赖随机移动，他们可以让机器人的效率更高。
研究人员通过三种不同的方式测试了这个想法：通过计算机模拟、在使用了虚拟痕迹的物理机器人实验台上，以及在留下了物理可见轨迹的真实机器人上。在计算机模拟中，他们将这个新系统与另外两种方法进行了对比。一种是完美的规划方案，即由一台中央计算机精确告知每台机器人的去向；另一种是随机游走，即机器人在没有任何关于已访问区域共享记忆的情况下移动。STIGSAR 系统表现得几乎与完美的中央计算机规划方案一样出色，能够快速找到所有目标。然而，它远优于随机游走的机器人。随机游走的机器人浪费了大量时间在重复访问同一个地点，它们对已覆盖区域的重复访问次数大约是 STIGSAR 机器人的七到十二倍。这种冗余意味着随机游走的机器人完成任务所需的时间要长得多。
为了理解为什么他们的双痕迹系统如此有效，研究人员进行了一系列测试，其中移除或改变了系统的部分组件。他们尝试仅使用“禁止进入”痕迹、仅使用“过来这里”痕迹，或者将两种功能合并为一个信号。结果表明，分离这两个信号至关重要。当系统使用两种截然不同的痕迹时，能够完成所有的任务模拟。当他们尝试使用单一痕迹来同时实现避开旧点和寻找新目标的功能时，机器人经常无法完成任务，或者耗时显著增加。具体而言，与那些仍能完成任务的最佳单痕迹替代方案相比，双痕迹系统减少了约 38% 到 45% 的总任务时间和精力。这表明，集群的“大脑”需要两种不同类型的记忆：一种是快速消退以鼓励探索的记忆，另一种是能够持续较长时间以确保一旦发现目标，援军便能抵达的记忆。
该团队还测试了系统如何处理故障，这是现实世界救援场景中的常见问题。在实验中，他们在没有通知其他机器人的情况下，让部分机器人中途停止工作。由于剩余的机器人并不在等待中央计算机的指令，它们只需继续利用那些停止工作的机器人留下的痕迹以及它们自己正在铺设的新痕迹即可。系统能够持续运作，覆盖剩余区域并找到目标，而随机游走系统在丢失机器人时往往无法找到所有目标。这证明了环境记忆作为一种共享的历史，即使在个体成员消失时依然能够存在。
为了证明这可以在计算机之外发挥作用，研究人员将该系统带入了物理世界。他们使用了一支在大型竞技场内运行的小型轮式机器人车队。在一组测试中，机器人使用由顶置摄像头系统管理的虚拟痕迹。在另一组更具物理性的测试中，他们使用了配备摄像头和紫外线灯的机器人，在地面上留下实际的、可见的轨迹。这些轨迹是由一种在紫外线下发光并在约十五秒后消退的特殊粉末制成的。机器人可以看见这些发光的路径并避开它们，就像虚拟机器人避开数字痕迹一样。即使存在这些物理限制以及机器人意外停止的情况，该系统仍保持了很高的覆盖率。在标准搜索中，物理机器人覆盖了约 79% 的竞技场，而随机游走的机器人覆盖率约为 61%。
这项研究并不声称已经解决了所有关于机器人协调的问题。实验是在没有复杂障碍物的开放空间中进行的，且物理轨迹需要特定的照明和表面条件才能生效。研究人员指出，虽然该系统具有鲁棒性，但它并不是适用于所有环境的万能方案。然而，研究结果清楚地表明，赋予机器人留下并读取两种不同类型环境线索的能力，使它们能够在不需要领导者或与中央计算机保持持续连接的情况下，有效地协同工作。通过模仿昆虫简单的去中心化逻辑，这些机器人既能散开搜索大面积区域，又能向发现的目标汇聚，同时还能适应失去队友的情况。这种方法为未来的搜救任务提供了一条充满前景的路径，在这些任务中，通信可能无法实现，且可靠性至关重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。