加州理工學(xué)院的工程師們設(shè)計了一種新的數(shù)據(jù)驅(qū)動方法來控制多個機器人在雜亂、沒有地圖的空間中的移動，這樣它們就不會撞到一起。
多機器人運動協(xié)調(diào)是一個基本的機器人問題，其應(yīng)用范圍廣泛，從城市搜索和救援，到自動駕駛車隊的控制，再到混亂環(huán)境中的編隊飛行。兩個關(guān)鍵的挑戰(zhàn)使得多機器人的協(xié)調(diào)變得困難:第一，機器人在新環(huán)境中移動，必須在沒有完整的未來路徑數(shù)據(jù)的情況下對其軌跡做出瞬間判斷;其次，環(huán)境中大量機器人的存在使得它們之間的交互變得越來越復(fù)雜(也更容易發(fā)生碰撞)。
為了克服這些挑戰(zhàn)， 他們開發(fā)了一種多機器人運動規(guī)劃算法稱為“全球性和地區(qū)性的安全自治合成,”或格拉斯,模仿一個完整信息規(guī)劃師只有本地信息,還有“神經(jīng)蜂群”(neuralswarm)，一種蜂群跟蹤控制器，能夠?qū)W習(xí)近距離飛行中復(fù)雜的空氣動力學(xué)交互作用。
Chung說:“我們的工作顯示了一些有前景的結(jié)果，可以克服傳統(tǒng)黑箱人工智能(AI)方法在使用GLAS進行群運動規(guī)劃時存在的安全性、魯棒性和可擴展性問題，以及使用神經(jīng)群對多架無人機進行近距離控制。”
當使用GLAS和Neural-Swarm時，機器人不需要對它所經(jīng)過的環(huán)境或它的同伴打算走的路徑有完整和全面的了解。相反，機器人在飛行中學(xué)習(xí)如何在空間中導(dǎo)航，并在進入“學(xué)習(xí)模型”進行運動時吸收新信息。由于群體中的每個機器人只需要其局部環(huán)境的信息，因此可以進行分散計算;從本質(zhì)上說，每個機器人都是自己“思考”的，這使得擴大蜂群的規(guī)模變得更容易。
“這些項目展示了將現(xiàn)代機器學(xué)習(xí)方法集成到多智能體規(guī)劃和控制中的潛力，也揭示了機器學(xué)習(xí)研究令人興奮的新方向，”Yue說。
為了測試他們的新系統(tǒng)，Chung s和Yue的團隊在多達16架的四旋翼無人機上實施了GLAS和神經(jīng)蜂群，并在加州理工學(xué)院自主系統(tǒng)和技術(shù)中心(CAST)的露天無人機競技場內(nèi)放飛。研究小組發(fā)現(xiàn)，GLAS在很多情況下比目前最先進的多機器人運動規(guī)劃算法高出20%。同時，Neural-Swarm明顯優(yōu)于不考慮空氣動力學(xué)交互作用的商業(yè)控制器;跟蹤誤差是衡量無人機在三維空間中如何定位和跟蹤所需位置的關(guān)鍵指標，使用新控制器后，跟蹤誤差減小了四倍。
他們的研究發(fā)表在最近發(fā)表的兩項研究中。5月11日，Chung, Yue, Riviere和Honig在IEEE Robotics and Automation Letters上發(fā)表了GLAS:基于端到端學(xué)習(xí)的多機器人運動規(guī)劃的全球到本地安全自治綜合?！渡窠?jīng)群:使用學(xué)習(xí)交互的分散近距離多轉(zhuǎn)子控制》由Chung, Yue, Shi和Honig發(fā)表在6月1日的《IEEE機器人與自動化國際會議論文集》上。該研究得到了雷神公司的支持;還有噴氣推進實驗室，加州理工學(xué)院為NASA管理。
?