据外媒报道，来自加州理工学院（California InstiTUTe of Technology）的工程师设计了新的数据驱动方法，控制多个机器人在杂乱、没有地图的空间中移动，以确保机器人不会相撞。
（图片来源：techxplore.com）
多机器人运动协调是一个基本的机器人技术问题，其应用范围广泛，包括城市搜索和救援、自动驾驶车队控制，以及混乱环境中的编队飞行。两个关键的挑战使得多机器人协调变得困难：首先，机器人在新环境中移动，必须在没有完整的未来路径数据的情况下，对其轨迹做出瞬间决定。其次，环境中大量机器人的存在使交互变得越来越复杂，也更容易发生碰撞。
为了克服这些挑战，航空航天教授Soon-Jo Chung、计算和数学科学教授Yisong Yue、加州理工学院研究生Benjamin Rivière、博士后学者Wolfgang Hönig，以及研究生Guanya Shi，开发了多机器人运动规划算法，即“全局到局部安全自动合成”（Global-to-Local Safe Autonomy Synthesis，简称GLAS）。GLAS模仿拥有完整局部信息的规划员和神经集群（Neural-Swarm）。Neural-Swarm是一种集群追踪控制器，能够学习近距离飞行中复杂的空气动力学交互作用。
Chung解释称，“我们的工作展示了一些颇具前景的结果，利用GLAS可以克服传统黑盒AI方法在集群运动规划方面的安全性、鲁棒性和可扩展性问题，利用神经集群可对多架无人机进行近距离控制。”
使用GLAS和Neural-Swarm时，机器人不需要对其所经过的环境或同伴的规划路径进行完整和全面的了解。相反，机器人实时学习如何在空间中导航，并在进入学习模式时吸收新信息。由于群体中的每个机器人只需要其局部环境信息，因此可以进行分散计算。本质上而言，每个机器人都是独立思考的，使得扩大集群的规模变得更容易。Yue表示，“这些项目展示了将现代机器学习方法集成到多智能体规划和控制中的潜力，也揭示了机器学习研究令人兴奋的新方向。”
为了测试这一新系统，Chung和Yue的团队在多达16架无人机上部署GLAS和神经蜂群。研究小组发现，在很多情况下，GLAS的性能比目前最先进的多机器人运动规划算法的性能高出20%。同时，Neural-Swarm明显优于不考虑空气动力学交互作用的商业控制器。跟踪误差是衡量无人机在3D空间中如何定位和追踪目标位置的关键指标，使用新控制器后，追踪误差减小了四倍。