智能機器人：反映個體與集體智能

佚名

在機器人向智能化的發展中，多機器人協作系統是一類具有覆蓋性的技術集成平臺。

如果說單個機器人的智能化還只是使個體的人變得更聰明，那么多機器人協作系統則不但要有一批聰明的人，還要求他們能有效地合作。所以它不僅反映了個體智能，而且反映了集體智能，是對人類社會生產活動的想象和創新探索。

多機器人協作系統有著廣泛的應用背景，它與自動化向非制造領域的擴展有著密切的聯系。由于應用環境轉向非結構化，多移動機器人系統應能適應任務的變化以及環境的不確定性，必須具有高度的決策智能。因而，對多移動機器人協作的研究已不單純是控制的協調，而是整個系統的協調與合作。在這里，多機器人系統的組織與控制方式在很大程度上決定了系統的有效性。

多機器人協作系統還是實現分布式人工智能的典范。分布式人工智能的核心是把整個系統分成若干智能、自治的子系統，它們在物理和地理上分散，可獨立地執行任務，同時又可通過通信交換信息，相互協調，從而協同完成整體任務，這無疑對完成大規模和復雜的任務是富有吸引力的，因而很快在軍事、通信及其他應用領域得到了廣泛重視。

多機器協作系統正是這種理念的具體實現，其中每個機器人都可看作是自主的智能體，這種多智能機器人系統MARS現已成為機器人學中一個新的研究熱點。

多移動機器人系統由于具有移動功能，能在非結構環境下完成復雜任務，是多機器人協作系統中最具典型意義和應用前景，也是得到最廣泛研究的一類系統。以下就以多移動機器人系統為代表，介紹智能機器人協作系統的主要關鍵技術。

體系結構、感知

規劃、學習與演化

體系結構是系統中機器人之間邏輯上和物理上的信息關系和控制關系，以及問題解決能力的分布模式，它是多移動機器人協作行為的基礎。一般地，多移動機器人協作系統的體系結構分為集中式和分式兩種。

集中式體系結構可用一個單一的主控機器人來規劃，該機器人具有關于系統活動的所有信息。

感知是智能機器人行動的基礎，包括“感覺”和“知道與理解”。

在移動機器人中最主要的感知問題是定位和環境建模問題，雖然已有里程計推算、基于視覺的路標識別、基于地圖匹配的全局定位、陀螺導航、GPS等多種定位方法，但在未知非結構環境中，目前有GPS才能實現可實用的全局定位。

但GPS同時受到精度、安全等因素的限制。

規劃問題主要包括任務規劃和路徑規劃，一直是人工智能及機器人學研究的主要問題，對其進行了大量和長期的研究，成果已應用在多機器人協作系統的規劃問題研究中，與體系結構相對應，多移動機器人系統的規劃通常包括集中式規劃和分布式規劃兩種方式。

學習和演化是系統具有適應性、靈活性等特性的體現。

目前，在協作機器人學習中主要采用增強型學習方法和遺傳規劃，并且在多機器人搬運系統和機器人足球中獲得了成功應用。

目前的多機器人學習和演化還停留在比較低的行為層次，其學習和演化的任務和環境也非常簡單，當其面對更為復雜的任務和環境時，存在時滯評價和組合爆炸問題。另外，對多智能體的分布式學習與演化，也與傳統的集中式的學習與演化方法有明顯區別，還有待尋找更為有效的行為優化方法。

協調與協作策略

系統軟件平臺開發

多移動機器人系統在協作完成復雜任務時，涉及到各機器人任務、規劃、控制間的協調，多智能體理論的研究已為這些協調行為提供了思想與策略，但如何把這些抽象的思想與策略結合到具體系統中加以實現，同時又能體現普適性，涉及到用什么工具正確描述各層次的系統行為。

目前在任務協調層最典型的描述工具是離散事件動態系統理論中的有限狀態機方法，但如何對不同層次的行為借鑒混合系統理論和方法進行統一描述，還是在研究的熱門課題。

此外，在同一環境中運行的多個移動機器人，經常會產生資源利用時的沖突。如果沒有適當的協調策略，系統將不能正常工作。對于可預見的沖突，可通過規劃加以避免。

值得強調的是，系統動態運行時的情況常常不能事先準確預測，僅依靠規劃的方法解決沖突將十分有限。對于動態沖突的消解主要包括磋商法、慣例法和熟人模型法。在動態環境中的死鎖檢測與消解，仍是十分具有挑戰性的難題。