摘要：群体机器人技术涉及大规模机器人团队的设计、构建和部署，这些机器人通过协调与合作来解决问题或执行任务。它从自然自组织系统中汲取灵感，例如社会性昆虫、鱼群或鸟群，这些系统的特点是基于简单局部交互规则的涌现集体行为。通常，群体机器人技术从对这些自然系统的研究中提取工程原理，以便为多机器人系统提供类似的能力。通过这种方式，其目标是构建比单个机器人更强大、更容错、更灵活，并且能够更好地适应环境变化的系统。本文总结了群体机器人技术探索阶段的主要经验教训，分析了主要的开放性挑战，并提供了创新且有前景的研究方向的示例。

01 简介

群体机器人技术最初是作为群体智能的一种应用，即对集体自组织行为进行计算建模，这已产生了几种成功的优化算法，如今这些算法已应用于从电信到人群行为模拟与预测等多个领域。然而，很快就发现，要在机器人中实现群体行为，不仅仅是将群体智能算法应用于现有的机器人平台。事实上，这往往需要彻底重新思考传统的机器人活动，如感知、控制、定位，甚至机器人平台本身的设计。在过去的二十年中，从事群体机器人技术研究的人员取得了显著进展，提供了概念验证，证明了机器人群体的潜力，同时也有助于更好地理解自然界中复杂行为是如何涌现的。将这一研究转化为实际应用仍然是一个需要妥善解决的挑战。事实上，截至目前，只有少数实验成功展示了大量自主自组织机器人，而群体机器人技术尚未有实际的现实应用。要将机器人群体从实验室带入现实世界，还需要更多的研究来建立所需的知识和实践。

接下来，在简要介绍该领域的历史之后，我们总结了群体机器人技术探索阶段的主要经验教训，分析了主要的开放性挑战，并提供了创新且有前景的研究方向的示例。最后，我们提出了群体机器人技术最可能的应用领域，并通过展示单机器人或传统集中控制的少数机器人无法解决的应用场景，评估了其对特定行业的潜在影响。

02 群体机器人技术简史

在过去的二十年中，群体机器人技术已从一个由少数具有明确生物启发性研究开创的小领域发展成为一个成熟的研究领域，涉及全球多个实验室和研究人员。谷歌学术搜索显示，“群体机器人”（ swarm robotics）一词首次出现于1991年，直到2003年才开始大幅增长，在此之前使用非常有限。同样，Scopus的搜索结果也显示出类似的增长趋势（见图1）。这些数据表明，尽管群体机器人技术研究领域的根源可以追溯到20世纪90年代发表的一些开创性著作，但直到2000年才开始显著发展。

最初，群体机器人技术的研究旨在测试 stigmergy（见表格1中对本文使用的该概念及其他概念的定义）这一作为机器人之间间接通信和协调手段的概念。在几次初步尝试之后，2000年之后出现了几项研究，专注于物体检索（觅食；拔棍）、聚类和物体分类等任务。这些研究从社会性昆虫中观察到的已知行为出发，并部署机器人群体来展示类似的行为。在少数情况下，机器人群体被用于紧密复制生物系统中观察到的动态（例如蟑螂的聚集），从而产生了第一个生物 - 机器人混合社会的例子。此外，机器人群体已被用作解决生物学问题的工具（例如，寻找食物源和巢穴之间最短路径的路径网络几何形状是什么）。

首批研究机器人群体合作的国际项目之一是2001年至2005年由欧盟委员会资助的Swarm-bots项目。在该项目中，使用了一群最多20个能够自组装的机器人——即通过物理连接形成协作结构——来研究多种群体行为，如集体运输、区域覆盖和物体搜索。该项目的主要成果是展示了至今仍然是唯一的自组织机器人群体协作解决复杂任务的例子，群体中的机器人随着时间的推移承担不同的角色。Swarmanoid项目（2006-2010）将Swarm-bots项目中开发的理念和算法扩展到由三种类型机器人组成的异构机器人群体：飞行、攀爬和地面机器人，它们协作执行搜索和检索任务。

与群体机器人技术范式的成功展示并行的是，硬件小型化研究有望部署数百甚至数千个协作机器人（见图2）。机器人变得越来越小，越来越简约，甚至尝试了毫米级的设计。然而，与硬件小型化以及集成足够传感器套件相关的几个挑战阻碍了这一方向的进展。直到几年后，才出现了支持千机器人实验的硬件概念：kilobot。Kilobots的设计初衷是支持首次展示用于形状形成的大型机器人群体，后来被用于多项成功的研究，使群体机器人技术能够在数百个机器人的物理环境中得到展示。

群体机器人技术不仅限于地面平台：最近的工作还考虑了水面和水下机器人，以及无人机群。虽然水上和水下技术仍需要大量的开发工作才能成熟，但无人机已经商业化，并且代表了不同领域遥感应用的非常有前景的平台，目前仅受限于缺乏授权自主和群体飞行的法律框架。

除了硬件平台，控制机器人群体一直是研究的主要焦点。对文献中迄今为止可用的不同方法的广泛报告超出了本观点的范围。迄今为止采取的主要方向包括：开发群体系统的分析模型以指导机器人实现；采用（进化）优化方法，其中机器人由极简控制器（神经网络；无计算控制器；有限状态机；和基于语法的控制器）引导；以及设计和验证方法的开发。正如下面将讨论的，为机器人群体定义可靠和高效的工程方法仍然是当前研究的边缘领域，并且在未来几年可能需要大量努力。

03 经验教训与开放性问题

尽管群体机器人技术的最终目标是产生使机器人群体能够部署以解决现实世界问题的方法和工具，但目前的重点仍然是对这些方法和工具所依据的机制的科学理解。前二十年的研究已经给了我们许多重要的教训，同时也提出了一些需要解决的开放性问题。

首先，我们了解到，目前机器人群体能够执行的任务类型受到自主机器人能力仍然有限的强烈限制。要在群体中工作，单个机器人必须能够相互交互和通信，以及识别同伴和它们所做的工作。这需要定制的硬件设计和特定的传感、处理和交互能力。机器人硬件和控制的当前限制从两个不同方面限制了群体机器人技术研究的复杂性。一方面，已经开发了特定的机器人来解决特定的（玩具）问题（例如termes和kilobots）。这些例子开辟了新的研究方向，但并不总是产生可在不同环境中借用的可重用组件。另一方面，通用机器人（alice和 e-puck）已被用于产生概念验证，通常解决的是在人工世界中直接转换自组织自然系统执行的类似任务（例如觅食）。然而，当硬件不是为群体机器人技术设计时，日常工作可能变得非常繁琐，因为需要同时处理数十甚至数百个机器人，使得诸如充电或上传软件等平凡活动变得非常乏味。这通常限制了测试群体中的机器人数量，降低了演示的广度和重要性。最后，应该补充的是，硬件的小型化将是实验室中进行大型群体实验和许多未来应用的关键因素。尽管如此，硬件缩小带来了极其困难的问题，迄今为止尚未解决。

为了在群体机器人技术研究中取得进展，我们需要开发工具，使群体机器人技术研究人员能够更轻松地分享结果和复制实验。一些通用机器人平台将构成研究社区的宝贵工具。e-puck可能是迄今为止使用最广泛的群体机器人平台，但使用超过30个e-puck的研究仍然复杂且昂贵。Kilobot由于是为群体机器人技术研究而设计的，因此被广泛使用，但其能力受到严重限制，因此有人提出了虚拟化环境来增加研究可能性。Crazyflies也正在成为群体机器人技术研究的飞行平台，尽管它们不是为群体机器人技术研究而设计的。仍然需要大量努力来部署满足研究社区需求的群体机器人技术硬件。首先，必须在成本、尺寸和板载功能之间提供良好的折衷，确保有足够丰富的传感器和执行器集，同时保持尺寸有限，以利于在研究实验室中使用数百个机器人进行实验。从这个意义上说，kilobot和e-puck之间的尺寸（约5厘米直径）可能是一个很好的折衷方案。事实证明，允许插入新传感器、执行器或计算能力扩展的模块化方法在e-puck上是成功的，但需要精心设计。与kilobots一样，能够并行编程和充电许多机器人的可能性极大地简化了处理大量机器人时的实验活动，尤其是当不需要手动干预来移动机器人时（例如，集成到实验环境中的无线充电站，甚至用于无电池操作的电动地板）。一个能够观察机器人状态、移动它们并记录机器人获取数据的集中式系统来自动化实验活动，将极大地有助于加快研究速度，并使全球社区受益匪浅。

模拟硬件也是群体机器人技术研究的一个基本方面，但也带来了与物理机器人类似的问题。通常，每个新的机器人群体演示器的仿真软件都是从头开始开发的。研究社区共享的通用仿真工具将是向前迈出的重要一步，因为它将简化研究结果的共享和比较。然而，要设计这样的工具，我们需要更好地理解仿真与现实世界之间的关系。这个在机器人技术中被称为仿真-现实差距的问题，是指当在仿真中开发的机器人控制器在现实世界中使用时，仿真中使用的模型与其现实世界对应物之间的差异会导致性能下降。这个问题在群体机器人技术中尤为重要，因为许多机器人必须相互交互。理想的机器人群体仿真器应该确保这种差异保持在最低限度，尽管它们无法完全消除。

在可用的众多仿真软件中，ARGoS因其对群体机器人技术研究的原生支持而脱颖而出。由于其巧妙的模块化设计和并行化仿真的可能性，ARGoS允许实时动态仿真多达10000个机器人。此外，它还包括群体机器人技术中一些最常用机器人的模型（e-pucks和kilobots）。另一个有趣的例子是Flightmare，这是一个（多）无人机仿真器，能够对环境进行photorealistic渲染，对视觉导航和遥感研究很有用。为了在这些经验的基础上改进并提供一个满足群体机器人技术社区需求的工具——同时解决仿真-现实差距——需要解决和改进几个方面。例如，我们需要找到方法来改进感知和物理（机器人-机器人和机器人-环境）以及非物理（通信）交互的仿真。仿真应该在不同的保真度级别上部署，允许用户在速度和准确性之间进行选择。在大多数情况下，高保真度仿真不是必需的，但它们的可用性将极大地简化从仿真到现实的过渡，支持在真实机器人上进行广泛测试之前的全面测试。还需要通过提高仿真速度和提供更简单的方法来处理和控制仿真机器人及其部署的环境来提高仿真的可用性。仿真应该是高度可配置的，以满足不同研究社区的需求。同时，设置新的仿真配置不应需要软件内部工作的专业知识。最后，仿真框架与标准机器人工具和库（例如 ROS）集成并允许针对机器人平台进行交叉编译将非常重要，这将使在仿真中开发的代码无需任何更改或调整即可在真实机器人上测试成为可能。

有了合适的工具，群体机器人技术研究社区将需要提供设计问题的解决方案。事实上，我们学到的第二个教训是，解决微观-宏观问题——即给定我们只能直接编程组成群体的单个机器人（微观层面），如何设计群体行为（宏观层面）——可能是需要考虑的最困难的方面。为了解决这个问题，已经有几次尝试提出设计方法——通常以生物为灵感——这些方法是通用的并且可以在不同的应用环境中重用，从设计模式到自动设计方法（见表1中的术语表）。然而，所有这些方法目前都不够强大：它们成功解决了相对简单或受约束的问题，但随着问题复杂性的增加，很快就显示出它们的局限性。一个复杂的任务由几个可能需要合作并且具有相互依赖关系和时间约束的子任务组成。有人可能会倾向于将可用的方法应用于每个子任务，获得稍后组合的构建块。然而，这种分而治之的方法不足以部署可用的群体机器人技术系统，因为它忽略了任务之间的许多可能的相互关系，以及这些任务如何进一步划分和调度，导致次优解决方案。我们需要通过持续集成和改进来解决子任务之间复杂相互关系的设计方法。此外，当前的实践需要在群体规模上扩展，从小组无缝过渡到大型群体。我们需要使我们能够对机器人群体进行编程而不必担心群体/问题规模的设计方法，而应该在配置时确定。最后，提供性能保证是非常必要的，但当前的实践没有充分解决这一点，仅限于对性能统计数据的经验评估。相反，我们需要设计方法来提供性能边界，以满足验证和确认标准，并提高机器人群体的可靠性，尤其是在具有严格约束的应用领域（例如太空应用）。为了具体支持研究社区，基准是定量衡量进展的宝贵工具，可用于挑战研究人员解决日益复杂的任务（例如在RoboCup中所做的）。为了说明群体机器人技术研究进展所需的基准类型，可以考虑资源收集问题，如NASA Swarmathon竞赛中所做的那样。为了超越当前的实践，可以设置问题，使其复杂性可以沿着几个维度进行调整：环境大小和拓扑，以测试所提出解决方案适应不同问题实例的能力以及随着群体规模扩展性能的能力；要收集的物品数量和分布，以测试协调探索和资源开发的能力；以及物品的类型和持久性，以测试协作识别和检索的能力，以及适应动态环境的能力。信息复杂性也应该通过允许多个任务执行的替代路径来改变——这将要求群体收集和聚合有关问题及其动态的信息，必要时做出集体决策以优化任务性能。可能，应该确定具有不同时间执行约束的多个相互关联的任务（例如，优先考虑某些项目类型以实现其他类型的检索）。必须分配明确的性能指标来跟踪进展并支持不同方法之间的比较。如果沿着这些思路提出一个基准，并与上面讨论的标准工具（硬件和仿真）相关联，一个开放的社区就可以聚集和繁荣，从最佳实践中学习并不断改进所取得的结果。

第三个教训是，我们认识到机器人群体中一些被认为是理所当然的属性——例如容错性和可扩展性——并不是由群体自动提供的，需要精心设计。如果想要提供自组织机器人群体本身不具备的其他属性，例如鲁棒性、灵活性或适应性（有关这些术语的定义，请参见表1中的术语表），困难甚至更大。通过理论方法尝试设计具有这些属性的机器人群体，这些方法忽略了机器人的具身性及其在传感器和执行器方面的特定功能方面。上述属性已在群体执行不同行为（例如聚集、集体运动、集体决策和模式形成）的背景下，使用数学模型、抽象粒子系统或多智能体系统得到证明。然而，将理论发现转化为工作的机器人系统通常需要彻底重新思考方法，以引入简化理论模型中未考虑的功能和约束，并考虑目标应用领域的特殊性。此外，还有一些关键方面迄今为止没有得到足够的关注，但对于现实世界的部署是必需的。针对外部攻击的安全性是使群体能够抵御试图潜入和控制群体的恶意用户所必需的。如何指挥和控制群体也极其重要，以便让用户以有意义和轻松的方式与机器人系统交互。这还需要高度的可解释性，这对于促进用户和非专业人士对群体的接受和信任是必要的。正确解决这些方面将极大地增强群体机器人技术，并促进其从研究向具体应用的过渡。

我们学到的第四个教训是，“生物启发工具”的使用必须非常谨慎。从社会性昆虫或群居物种的行为中汲取灵感在许多情况下非常有价值，因为这些自然群体具有任何机器人群体都需要的属性和行为：它们是自组织通常可以工作的“活证明”，并且为特定问题提供了可行的解决方案，例如机器人群体如何协调移动、分配任务或做出集体决策。在这方面，我们鼓励生物学提供更多的贡献，以提供新的指导原则，因为关于群体智能背后机制的新见解将继续为群体机器人技术从业者提供信息。然而，不应忘记，群体机器人技术研究的长期目标是在现实世界中部署执行有用任务的机器人群体。因此，如果我们希望机器人群体与现实世界的应用相关，就应该以工程导向的方法设计机器人群体。因此，当机器人群体所需的行为变得非常特定于应用时，仅靠生物启发不太可能指导我们。因此，研究人员应该避免对“生物启发工具”过于依赖，并准备好在必要时设计特别的解决方案。

同样有趣的是，尽管生物学家和机器人学家之间的合作成果丰硕，但这种合作往往是单向的，机器人学从生物学中获取的多于回馈。我们认为这种情况可以改善，机器人群体可以真正帮助生物学家，提供人工的、可控制的模型来研究具身性、感知、行动以及支持集体行为所需的个体认知要求。此外，将自主机器人整合到自然群体中的可能性提供了刚刚开始探索的新研究方向。

04 新方向与新问题

在不久的将来，大多数群体机器人技术研究可能会致力于寻找解决上述开放性问题的方法。这类研究对于该领域的进一步发展和推动技术前沿非常重要。然而，有些研究方向可能允许更大的飞跃，因为它们将研究全新的方法或虽然已被确定为开放性问题但尚未充分研究的领域。我们首先讨论在处理诸如小尺寸和大量个体带来的极端约束等新的挑战性情况时，如何设计和控制机器人群体（3-A），或者由硬件/行为[3-B]或组织结构[3-C]方面的异构机器人群体所带来的机遇。然后，我们转而考虑设计机器人群体的新方向，要么模仿生物启发的响应性和适应性示例（3-D），要么采用机器学习方法为群体提供学习和提高性能的能力（3-E）。最后，我们讨论机器人群体安全性（3-F）和人机群体交互（3-G）的进一步研究需求，这对于现实世界的部署将至关重要。

（A）硬件小型化

群体机器人技术的目标之一是设计和控制数千个简单机器人，通过简单的个体行为和大量交互实现群体层面的复杂行为。一个可以最大化机器人群体未来影响的方面是利用数千个微型机器人，其尺寸可缩小到毫米甚至微米或纳米级。这样的群体可以进入小的封闭空间（例如微流体通道和人体），操纵微观物体（例如微塑料或单个细胞），并自组织以支持局部治疗（例如靶向药物输送）。迄今为止，研究只是触及了这个具有巨大潜力领域的表面。然而，缩小机器人尺寸带来了新的挑战，需要解决这些挑战，群体机器人技术才能提供可行的解决方案。微型机器人和纳米机器人面临着与宏观尺度不同的物理定律，需要新的集体行为模型。当前微型机器人和纳米机器人的方法不是利用传统硬件，而是由活性胶体粒子、软体（生物）机器人、细菌驱动的纳米机器，甚至可控制的基因工程生物体组成。在这种系统中实现和控制集体行为将需要新的范式，因为精确控制个体行为的能力将必然受到限制。此外，集成传统的感知和行动方式极具挑战性，需要重新思考设计和控制此类群体的策略。总体而言，研究应专注于利用少量不可靠传感器、极少或完全没有计算能力以及不可靠行动的控制方法。设计具有自组织特性的硬件的解决方案也是可行的，尽管在这种情况下可能难以获得灵活和适应性强的行为。在所有这些情况下，引导自组织可能比尝试直接控制更有价值。

（B）异构性

同质性假设仍然普遍存在于群体机器人技术研究中：所有机器人都是相同的，都运行相同的控制软件，它们都是可替换的，只有与（社会）环境交互的个体历史才能导致某种专业化行为的表达。这一假设源于集体行为的理论模型，这些模型通常简化复杂现象以获得可处理性。事实上，同构系统中的自组织通常足以在很大程度上解释实验观察。然而，自然群体中的个体在身体和行为上可能非常不同，个体个性会影响对环境和社会线索的反应。异构性被认为是赋予集体行为灵活性、适应新条件和抵御外部干扰的关键。所有这些特征都将使机器人群体受益，但异构性的利用程度还不够。前面提到的Swarmanoid项目展示了一个可能的方向，即研究物理异构机器人群体中的协调集体行为。其他强大的合作形式允许最初同构的机器人学习不同的行为，当这导致群体性能提升时，它们会专门从事某些任务。然而，驾驭异构实体表现出的自组织行为的复杂性仍然极具挑战性，但有望为整个领域带来巨大进步。

（C）去中心化与层级结构

从一开始，群体机器人技术就采用了自组织范式，其中群体控制是通过定义机器人之间以及与环境交互方式的简单（随机）规则获得的，不利用任何形式的集中控制或全局知识。然而，有人可能会争辩说，在许多情况下，集中式或层级式控制形式可以使设计和控制机器人群体的问题更容易。引入某种形式的层级控制也可能是合理的，因为在许多动物社会中观察到层级结构，它们通常与自组织并存。不幸的是，这些方法需要引入会使系统易受攻击（单点故障）且难以扩展的机制。

去中心化与层级结构的问题，或者如何整合这两个方面，目前研究不足。一个值得注意的初步步骤提出创建混合系统，其中通过自组织过程产生的层级控制结构可以临时以特定方式出现。这类似于在某些黄蜂群体中发生的情况，自组织过程导致线性层级结构的形成和单个繁殖个体的出现。Mathews等人创建了基础设施——中间件——允许机器人群体自主地从纯自组织控制切换到层级控制，再切换回来。尽管实验已经证明了该方法的可行性，但要理解如何根据机器人群体必须执行的任务来设计允许创建层级控制结构的规则，以及如何根据任务和机器人群体所处的环境激活从纯自组织到层级控制的转换，还有很多工作要做。

（D）相变与适应性

在现实世界环境中，机器人群体面临的主要挑战是适应意外事件，例如障碍物的存在或变化的大气条件（例如亮度、风或雨）。所有这些事件都可能阻止群体前进或完成某些任务。在这种情况下，群体必须集体调整其行为并自动改变其策略。这种集体能力在一些群居动物物种（蚊群、鱼群和羊群）中可以观察到。在这些物种中，个体之间的相互作用产生了类似于接近两种宏观状态之间相变的物理系统的群体特性（见表1中的术语表），导致对少数个体行为变化的极端敏感性。在这种情况下，少数检测到环境变化的个体的反应可以传播到所有其他群体成员，使它们能够有效地应对诸如捕食者攻击等干扰。这种集体适应能力不仅源于个体之间特定形式的相互作用，还源于这些相互作用相对强度的调节。将这种类型的特性转换到机器人群体中可以显著提高它们的自主水平，并且将是一个有前途的研究方向。

（E）机器人群体的机器学习

到目前为止，机器学习在群体机器人技术中的唯一突出应用是利用进化算法（见表1中的术语表）来开发驱动群体中个体机器人行为的简单神经控制器。然而，机器学习的最新进展，特别是新的深度学习技术的可用性，可以被利用来设计群体行为，并为个体机器人提供可在群体内共享的额外能力。到目前为止，群体机器人技术社区对这些研究的重视程度很低。作为设计方法的机器学习受到与机器人群体自动设计相关的问题的困扰，再加上通过试错进行行为在线学习的额外约束，以及episodic奖励和协调问题。无模型方法（见表1）可能在计算要求方面非常苛刻，尽管它们在处理群体行为特有的复杂、不可预测的突发事件时可能非常强大。基于模型的方法可能很有价值，因为学习（当前）集体行为的模型可以导致个体策略的有效设计。这两者的结合目前正在多个领域寻求，并且可能对群体机器人技术研究也有意义。除了设计群体行为之外，机器学习，尤其是深度学习方法，可以在群体机器人技术研究中找到空间，为支持个体和集体行为的个体机器人提供高级能力。在这方面，确定可以利用集体可用信息来支持对世界进行更有效解释的方法将是重要的。例如，深度网络代表了图像分类的最新技术，这是机器人群体带来的许多应用中需要的功能。通过利用多个机器人观察同一场景的存在，可能从不同的视角和不同的时间，可以提供更准确和计算效率更高的解决方案。需要做大量工作来定义支持这种群体级操作的网络架构和学习范式。

（F）安全性

在实验室外使用自主机器人将引入安全问题。机器人在执行任务时需要安全，它们应该保证收集数据的隐私，并且还应该能够抵御试图获得控制权的恶意用户的外部攻击。在机器人群体的情况下，这些问题将更加严重。诸如实体认证、数据机密性和数据完整性等问题因可能存在数百个机器人相互交互而被放大。此外，仅仅几个恶意机器人潜入群体就可能导致群体工作中断。机器人群体安全性的研究仍处于起步阶段。初步工作正在研究如何利用传统的（例如加密Merkle树）和不太传统的（区块链）安全方法来添加安全层或完全集成到机器人群体的控制架构中。这些初步工作允许解决诸如如何在群体中保持信息私密、如何避免由于恶意机器人的存在而导致的中断以及如何应对Sybil攻击等问题。需要进行大量研究来扩展这些简单的概念验证解决方案，以便它们可以移植到在现实世界中运行的大型机器人群体。

（G）人机群体交互

虽然与单个机器/机器人的交互是一个研究得很好的问题，但与机器人群体的交互开辟了全新的途径。主要困难在于，由于群体是自组织的，没有明确的实体可以让人与之建立通信。人机群体交互（HSI）对于向群体提供有关要实现的目标或要执行的任务的信息将是必要的。群体可以通过嵌入在群体中的几个用户驱动的机器人间接控制。最近在多个学科的研究表明，少数坚定的智能体可以决定群体的整体行为。类似的机制代表了控制机器人群体的有趣手段，尽管它们可能引入必须解决的安全挑战，以避免几个恶意机器人控制整个群体。或者，机器人群体可以由用户直接控制，并且已经提出了不同的方式，例如通过手势或EEG信号。

用户对群体的直接控制是复杂的，因为由于群体内部发生的大量交互，理解群体正在做什么可能非常具有挑战性，这对于人类观察者来说可能很难“解读”。因此，可解释性至关重要。可能的解决方案可以构建到群体的自组织机制中，以便向用户显示群体的当前状态和目标。群体行为的界面，可能通过增强现实实现，可以收集和可视化来自群体的信息，而集体行为的模型可以集成进来，以提供可以支持用户采取行动的预测（例如，通过向群体发出新命令）。任何HSI解决方案的设计还需要了解与机器人群体交互的人所产生的心理影响，以支持减少压力并提高可用性和信任度的交互方式。

05 未来应用将如何指导研究

迄今为止，群体机器人技术研究的巨大兴趣源于预期的自主机器人在现实世界应用中的即将普及，以及让它们相互合作并与人类用户合作以避免集中控制陷阱的挑战。群体机器人技术研究产生的知识和实践将是解决未来机器人应用复杂协调问题的关键，同时考虑合作场景（即机器人协调完成共同任务）和半合作场景（即机器人是自利的，但从活动的全局高效组织中受益，例如自动驾驶车辆）。因此，我们坚信推动群体机器人技术研究不仅将使该领域本身受益，还将使机器人技术、信息物理系统和社会技术系统等领域受益。

在本节中，我们首先讨论哪些一般标准将证明使用机器人群体来解决现实世界中的问题或执行任务是合理的，然后概述我们认为群体机器人技术的主要潜在应用领域。这个概述具有推测性质，因为正如我们所说，现实世界的应用仍未出现。然而，我们试图通过批判性评估群体机器人技术方法在考虑的不同应用领域中可以具体带来的好处来证明我们的选择是合理的。

（A）机器人群体解决方案的一般标准

原则上，当考虑将机器人群体应用于现实世界问题的解决方案时，首先要问的问题是机器人群体是否确实是最佳选择。然而，这是一个非常困难的问题，尤其是考虑到群体机器人技术是一个年轻的学科，并且如上所述，仍然存在许多未解决的研究问题。因此，当前的实践包括根据相对于其他解决方案的预期优势来评估群体机器人技术解决方案的适用性，并考虑可用技术施加的约束。鉴于缺乏从问题规范到机器人群体实现和部署的工作方法，下面我们讨论在处理具体应用问题时应指导群体机器人技术解决方案选择的一些一般指导原则。

一个值得注意的例外是Kazadi的工作，他明确解决了机器人群体是否是给定问题的合适技术的问题；然而，他的方法仍处于提议阶段，尚未应用于任何实际的机器人群体实现。

第一个非常一般的指导原则是，只有当所考虑的问题无法通过单个机器人解决方案（高效）解决时，才应设想使用多机器人系统——进而使用机器人群体——因为考虑到可用技术和应用约束，该问题要么过于复杂，要么要求过高。例如，用单个机器人对大面积进行监视可能不可行，唯一的选择可能是同时使用许多机器人。另一个例子是无人机在搜索和救援场景中对大型倒塌建筑物的探索：尽管在这种情况下单个无人机可能执行任务，但由于飞行时间有限和需要飞回充电，这可能不够高效。在这种情况下，多机器人解决方案可能由于并行操作而更高效。

一旦确定了多机器人系统的适用性，就应该考虑哪种类型的控制方法最适合所考虑的问题。例如，当无法或不建议以集中方式协调机器人时，使用机器人群体可能是正确的选择。在某些情况下，集中式重新规划可以可行地处理任务不确定性和环境不可预测性。然而，对特征的在线识别和对经验突发事件的适应的强烈需求可能更好地通过分散的自组织方法来解决。然而，即使在这种情况下，也应该考虑是否可以使用其他方法，例如分布式模型预测控制，当不可能或太难为要解决的问题和机器人将操作的环境创建足够简单的模型时，这可能不是这种情况。

另一个需要考虑的方面是给定问题是否可以分解为固定数量的明确定义的任务，可以由一组机器人解决，每个机器人都有特定的角色，例如在装配线或机器人足球中。再一次，如果不是这种情况，那么可以设想群体机器人技术方法。换句话说，即使一个问题用多机器人系统解决更好，这并不一定意味着需要机器人群体。后者更适合没有预定义子任务划分或允许将角色分配给可用机器人的任务。最后，如果预期机器人之间会有有益的协作，那么群体机器人技术方法可能是正确的选择。事实上，由于协作，群体机器人技术系统可以追求性能的超线性增长，这将证明建立协作所需的开销是合理的。

（B）应用、需求与未来研究

考虑到这些因素，应该批判性地评估群体机器人技术的潜在应用领域，以了解群体机器人技术方法可以具体带来的好处。例如，尽管服务机器人通常不组织成群体，但每个机器人执行的活动的协调和任务分配在某种程度上可以是分散和自组织的。尽管如此，特定任务本身可能不需要机器人之间的协调或协作。同样，物流（例如在大型仓库中）、自动驾驶汽车和智能移动肯定可以从群体机器人技术中研究的分散协调策略中受益。然而，这些应用不太可能指导未来的群体机器人技术研究。相反，诸如精准农业或基础设施检查和维护等应用需要处理非结构化、不可预测的环境——通常覆盖广泛的区域——并且可以从群体中机器人之间的并行化和协作中受益。例如，作物田间疾病爆发的早期识别需要机器人之间的信息共享，以使全局模式从耦合的局部视图中浮现，支持适当的响应和更好的战略规划。同样，大型基础设施中缺陷的可靠识别需要高效的搜索能力，这可以通过群体最好地实现。精准农业和基础设施检查都发生在某种静态环境中（农田或要检查的基础设施）。尽管如此，去中心化和自组织在提高效率——由于并行和协调操作——和准确性——由于集体感知的自适应策略，允许对感知到的突发事件做出反应并确定最佳任务计划，以最大化仔细观察所有相关特征的可能性方面可能有用。在这方面，未来的研究应该专注于通过多个可能异构的机器人之间的信息融合来理解复杂特征的策略。此外，需要设计定制的干预和操作能力（例如用于收获水果或维护），为分散的协作活动开辟新的机会。

机器人人群体的应用受到世界各地国防机构的追捧，它们发现一个不容易被关闭的系统极具吸引力。一个对外部攻击具有容错能力的系统可以在对抗性环境中支持行动，尤其是当机器人是可替换的并且在某种程度上是一次性的时。然而，在这里，人类组件仍然不可避免地处于中心地位。因此，国防应用需要考虑人为因素，先进的HSI策略对于有效部署将至关重要。此外，安全和保障方面需要达到最高水平，以确保机器人群体不会失控或被恶意夺取。类似的方面在其他应用领域也很重要，例如民防，其中面对自然或人为灾害的需求需要能够应对紧急情况的敏捷机器人，没有外部基础设施或可靠的地图。此类应用设定了很高的标准，因为机器人群体应该能够保证尽可能高的性能和可靠性，因为不能留下任何受害者。

太空任务给机器人应用带来了其他可能通过群体机器人技术成功解决的限制。在太空中，由于宇宙辐射会损坏现代CPU，计算机的计算能力必须保持有限。因此，一群计算能力有限的机器人可能是比单个更强大的机器人更好的设计选择。送入太空的机器人无法轻易维修或更换，这一点通过群体机器人技术对冗余系统的关注得到了很好的解决，其中一个机器人的故障只会导致群体性能的适度下降。最后，在太空中，建造外部基础设施来支持机器人的协调可能极其昂贵甚至不可能，这又是机器人群体可以有效应对的典型情况。因此，美国国家航空航天局（NASA）和欧洲航天局（ESA）等太空机构已经开始对群体技术表现出兴趣，例如通过已经提到的Swarmathon竞赛以及针对皮卫星群控制的研究。太空应用带来的巨大挑战是群体系统的必要自主性，其不能依赖人类操作员的可靠和持续干预。

娱乐行业对机器人群体的应用也有很好的潜力。已经有几个无人机群在户外和室内进行灯光表演的例子，然而，这些通常基于无人机的集中式预编排轨迹。以类似的方式，其他利用多机器人系统进行娱乐的尝试依赖于某种集中式解决方案来精细控制该系统。如果考虑分散式方法，特别是如果用户可以通过参与机器人群体、根据位置、动作甚至情绪改变其动态来积极参与娱乐活动，那么新的途径是可能的。在这种情况下，研究可以试验全新的HSI模式，这些模式随后可以被其他应用领域借用。例如，可以想象各种HSI界面，从可穿戴设备、增强和虚拟现实到脑机交互模式。

最后，纳米机器人群可能在未来成为精准医学中的一种新的强大工具，使人体内部的靶向干预成为可能，例如微创手术或直接向癌细胞输送多疗法。然而，协调具有极其有限计算和通信能力的大量机器人将把群体机器人技术方法推向极限，并且除了开发微观硬件或生物机器人设备之外，还需要开发新的概念工具。

总体而言，潜在应用领域的要求与群体机器人技术未来研究挑战之间的关系是无可争议的。因此，我们设想研究人员与各个应用领域的相关利益相关者之间的密切合作，他们可以提供具体的例子来推动新的发展，并为制定未来几年群体机器人技术研究的议程做出贡献。

06 结论

设计和实现有效的机器人群体是机器人技术面临的最大挑战之一，也是最有前途的研究途径之一。在本文中，我们简要总结了最新技术水平，并确定了我们认为最有前途的研究方向和主要开放性问题。然而，应该考虑到，群体机器人技术的重大进展必然与该领域之外的进展相关。例如，新材料、生物混合解决方案以及存储和传输能量的新方式将有助于解决当前与机器人群体硬件相关的一些问题。人工智能技术的发展，特别是需要有限计算并且可以在小型廉价机器人的CPU上工作的分布式学习算法的发展，将允许机器人群体逐渐增加其自主性。群体将必须确保可解释性，这现在是整个机器人技术和人工智能领域的一个主要问题。换句话说，用户将需要能够理解决策过程，而无需了解底层机制的详细知识——这是确保新智能技术的可接受性并培养对它们的信任的首要要求，从而为大规模现实世界部署创造条件。尽管其中许多问题正在人工智能领域更普遍地解决，但它们的复杂性可能会因大量自主实体及其典型的群体机器人技术系统中的大量相互作用而增加。

如果这些挑战被克服，我们预计群体机器人技术将在当前十年内成功地从实验室过渡到现实世界的应用，如前所述。这种过渡不会是即时的，而是将逐步涉及越来越多的应用领域，在确定新挑战和创造对新技术解决方案的需求方面，这些应用领域将推动未来几年的研究和创新。

智行时代编者：AutoGo 原文作者：MARCO DORIGO，GUY THERAULAZ，VITO TRIANNI（免责声明：文中观点仅供分享交流，文章版权及解释权归原作者及发布单位所有）