文章目录
声明：本篇翻译自《Swarm robotics: a review from the swarm engineering perspective》
摘要
群体机器人技术是集体机器人技术的一种方法，它从社会动物的自组织行为中获取灵感。通过简单的规则和本地交互，群体机器人旨在设计稳健，可扩展和灵活的集体行为，以协调大量机器人。在本文中，我们从群体工程的角度分析文献：我们主要关注有助于推进群体机器人作为工程领域的思想和概念，并且可能与解决实际应用相关。群体工程是一门新兴学科，旨在为群体机器人系统的建模，设计，实现，验证，验证，操作和维护提供系统和完善的程序。我们提出两种分类法：在第一种分类法中，我们对涉及设计和分析方法的作品进行分类;在第二种分类法中，我们根据所研究的集体行为对作品进行分类。最后，我们讨论了作为工程学科的群体机器人的当前限制，并对未来的研究方向提出了建议。
1. 简介
群体机器人已经被定义为“协调大量机器人的新方法”，或者“通过来自代理（Agents）与代理之间以及代理与环境之间的相互作用，进而表现出理想的集体行为“，（Sahin 2005）。
群体机器人系统的主要特征如下：
- 机器人是自主的;
- 机器人位于环境中，可以采取行动对其进行修改;
- 机器人的传感和通信能力是具有限制的;
- 机器人无法获得集中控制和（或）全球知识;
- 机器人合作解决特定任务。
在这篇综述中，我们使用这些特征来区分属于群体机器人的作品和属于其他多机器人方法的作品（Iocchietal.2001）。Sahin (2005)，Beni (2005)和Dorigo and ¸Sahin (2004)等人提出并采用了不同的群体机器人特征。群体机器人的主要灵感来自对社会动物的观察。例如：蚂蚁，蜜蜂，鸟类和鱼类是一些单独的个体，并且可以成功的聚集成群体。
稳健性是应对个人流失的能力。在社会动物中，冗余和缺乏领导者会促进健壮性。可伸缩性是指能够在不同的组大小下运行良好的能力。引入或移除个体不会导致群体性能发生剧烈变化。在社交动物中，通过局部传感和通信促进可扩展性。灵活性是应对各种不同环境和任务的能力。在社交动物中，通过冗余，行为的简单性和任务分配等机制来促进灵活性。 Camazine et al. (2001)已经对社会动物的稳健性，可扩展性和灵活性进行了详细分析。
通过从社会动物中获取灵感，群体机器人旨在开发具有类似于社交动物特征的群体智能特征的机器人系统。特别地，群体机器人系统意味着具备健壮，可扩展且灵活。
1.1 群体工程（Swarm engineering）
群体工程是科学和技术知识的系统应用，用于建模和指定需求，设计，实现，证明，验证，操作和维护群体智能系统。 群体工程最早由Kazadi（2000）作为术语引入，他认识到群体智能研究的重点正在朝着“设计可预测的，可控制的群体，具有明确的全球目标和可证明的最小条件”。 他还补充道，“对于群体工程师来说，群体设计中的重点是群体将完全按照设计目的去做，并且它将按时可靠地完成”（Kazadi 2000）。 然而，正式引入群体工程的第一项工作在五年后才出版，其中包括Winfi eld（2004年）等人的开创性论文。
群体工程仍处于早期阶段，其发展不均匀。 一方面，一些主题，如设计和分析，已经受到群体机器人界的关注，并提出了几种方法和工具。 对于这些主题，我们的目标是展示和分类现有作品。 另一方面，其他主题，例如需求分析，维护和性能测量，几乎没有受到关注。 在本次综述的最后一部分，我们提出了对这些主题的讨论，希望能够培养新的想法并促进其发展。
当我们采用群体工程视角时，我们的评论涵盖了作为工程领域推动群体机器人技术发展的工作。 特别是，我们专注于促进群体机器人应用于实际应用的想法和解决方案。
1.2 综述的大纲（The outline of our review）
在这篇综述中，我们使用了两种分类法：方法和集体行为（参见图1，了解评论结构的完整方案）。 在第2节中，我们分析了设计和分析群体机器人系统的方法。 在第3节中，我们分析了群体机器人系统可以展示的一些可能的集体行为。 通过集体行为，我们指的是整个群体的行为。 这种集体行为可以用作应用的构建模块，例如觅食或建筑（参见第4节）。在第4节中，我们在论文中讨论了群体机器人和群体工程中的开放问题。
1.3 回顾以往的观点（Previous reviews）
以前的观点提出的分类法与我们在此提出的分类法不同。Dudek et al. (1993) 选择了群体大小，通信范围，通信拓扑，通信带宽，群体可重构性和群体处理能力来对文献进行分类。Cao et al. (1997) 使用：群体结构，资源冲突，合作的起源，学习和几何问题。Iocchi et al.(2001)采用了一种等级分类法：在第一级，他们考虑了意识与不知情的合作。意识类别分为强协调，弱协调和非协调系统。相关的工作相互协调，系统化，强烈集中化，弱中心化和分散化。单独的部分专门用于多机器人系统的应用。Gazi and Fidan (2007) 选择将文献分为数学模型，群体协调和控制以及设计方法。Bayindir and ¸Sahin (2007)根据五种分类法对文献进行了分类：建模，行为设计，沟通，分析研究和问题。
2 方法（Methods）
本节的目的是根据用于设计或分析群体机器人系统的方法对群体机器人文献中发表的文章进行分类。 在2.1部分，我们提出了最常用的设计方法，用于开发成群机器人的集体行为。 在2.2部分中，我们介绍了用于理解，预测和分析群体集体行为的最常用方法。
2.1 设计方法
设计是从最初的规范和要求开始规划和开发系统开始。不幸的是，在群体机器人中，仍然没有正式或精确的方法来设计产生所需集体行为的个体水平行为。人类设计师的直觉仍然是群体机器人系统发展的主要因素。
我们将设计方法分为两类：基于行为的设计和自动设计。
基于行为的设计是开发群体机器人系统的最常用方法。以迭代的方式，实现，研究和改进每个机器人的个体行为，直到获得期望的集体行为。在基于行为的设计中，灵感通常来自对社会动物行为的观察。这可以简化设计过程，因为有时候，已经理解了特定行为的细节并且可以获得数学模型。
在下文中，我们通过描述一般原则和相对优缺点来讨论基于行为的设计方法和自动设计方法。
2.1.1基于行为的设计方法（Behavior-based design methods）
在群体机器人中，最常用的设计方法涉及手动开发机器人的个体行为，这写行为都将改变群体的集体行为。群体机器人系统设计行为通常是一个反复试验的过程：对个体行为进行迭代调整和调整，直到获得最终的集体行为为止。第四是理性，基于行为的设计，通常是自下而上的过程（Crespietal.2008），尽管最近提出了一些自上而下的方法（参见第2.1.1节）。 我们将基于行为的设计方法的文献分为三大类：概率有限状态机设计，基于虚拟物理的设计和其他设计方法。
概率有限状态机（Probabilistic finite state machine）设计通常，在群体机器人中，单个机器人不会计划其未来行为，但它仅根据其感官输入和/或其内部记忆做出决策（Brooks 1986）。 获得此类行为的最常用设计方法之一是使用特定类型的有限状态机（finite state machine ）（Minsky 1967）：概率有限状态机（probabilistic finite state machines ，PFSM）。
在PFSM中，状态之间的转换概率可以固定或可以随时间改变。 当在整个集体行为的执行过程中定义并使用单个概率值时，转换概率是固定的。在Soysal和¸Sahin（2005）的工作中可以找到一个例子。 当通过系统的一个或多个参数的数学函数定义转移概率时，转移概率不固定。 最广泛使用的功能之一是由Granovetter（1978）开发的响应阈值函数（Response threshold function）（参见Bonabeau等人1997）。 图2所示的响应阈值函数已被用于研究社会昆虫的集体行为（Theraulaz等，1998），并已被Theraulaz等人引入群体机器人中。 （1990）研究集体决策和任务分配。 在响应阈值函数中，切换到新状态的概率通常与机器人的当前状态有关。
PFSM已经被用于开发几种集体行为，例如聚合（Soysal和¸Sahin2005），链形成（Nouyan等人，2008）和任务分配（Liu等人，2007; Labella等人，2006）。 这些行为将在下面的 3.1.1，3.1.2和 3.3.2章节中分别进行更详细地解释。