Science Robotics：无人机的自组织飞行和集群智慧

From: ROBBIE GONZALEZ 集智俱乐部 2019-09-14

Science Robotics (2018) Vásárhelyi et al.

导语

超级碗和奥运会开幕式上的无人机表演，都只是人为控制的程序，而在最近一期的 Science 子刊 Science Robitics 上，研究者经过算法优化和参数调节，让无人机群自发形成了非常优美的、自组织的集群行为。

编译：集智俱乐部翻译组
来源：wired.com
原题：
How a Flock of Drones Developed Collective Intelligence

昏暗的夜空中仿佛突然出现了三十粒微小的闪着光的糖果屑——事实上，这是三十架无人机，它们的底盘都发出不同颜色的光芒。这些无人机陡然升起，在到达一定高度后开始盘旋，而几秒之后就仿佛像一个整体一般地飞行了。

这个刚形成的“无人机群”集体发出绿色的光芒：这表示机群“决定”了向东飞行。此时，当一个障碍物挡住了机群的去向，群首的无人机随即改变方向，向南飞行，而它们底盘的灯光也变成了深青色。很快，尾随的无人机灯也变成了深青色。

https://v.qq.com/txp/iframe/player.html?vid=g1346d2boxv&width=500&height=375&auto=0

优雅的自组织无人机集群 | Balazs Tisza

这些光路有着流星般的美感，而此番美景同时也有着深刻的物理意义。这些无人机通过自组织的方式形成了一个连贯的群体,使它们同步飞行而不至于互相碰撞。

更重要的是，所有的这些都是通过无人机之间的相互作用而产生的。

——这完全不同于一些体育比赛的开幕式上所呈现的无人机方队。在这些数量上千的无人机方队中，每一架无人机的动作和位置都由一个事先调控的程序控制。

相反，我们眼前看到的三十架无人机群的形成并没有中央控制系统的参与，也没有任何一台作为“指挥官”或者“队长”的无人机发号施令。每时每刻，每一台无人机都记录着自己的位置和速度，并结合其他无人机的实时共享信息来做出对下一时刻运动轨迹的判断。

从相互作用的角度来说，这个无人机群与自然界中那些个体行为引发群体行为的动物相类似，比如常见的鸟群、蜂群、蝗群。（但真正从技术上实现无人机群却是一个严苛的挑战。）几年前，实验的组织者成功演示了由十架无人机组成的自组织机群；现在，机群的大小扩充了两倍，而实验的难度却大了不止两倍。

为了使机群能够自组织，实验者使用了仿生的相互作用，此研究发表于最近一期的Science Robotics。

论文地址：
DOI: 10.1126/scirobotics.aat3536
论文题目：
Optimized flocking of autonomous drones in confined environments

该论文第一作者、布达佩斯厄特沃什大学（Eötvös University in Budapest）生物物理系机器人实验室的主任Gabor Vásárhelyi表示，“数字不能用来解释实验的难度。任何一个有三个孩子的家长都知道同时带三个孩子比带一个孩子难得多。想象你需要照顾二十甚至三十个孩子，这难度可是呈几何级数增长。相信我，我有三个儿子，我知道我在说什么。”

Vásárhelyi的团队通过上以千计的数值模拟构造了现有的无人机相互作用模型。与此研究无关的纽约州立大学布法罗校区(SUNY Buffalo)的机器人学家、多机器人协调专家Karthik Dantu称赞道，“他们能在分散的机器人系统中实现集群智慧，这很酷。每一个无人机只对自己负责，而群体行为自发地从中涌现。”

在协调系统中，更多的成员通常意味着更低的容错率。正所谓一波激起千层浪：一阵微风可能把一台无人机吹离预定轨迹，从而影响更多的无人机；而测量和通讯的误差也可能产生更大的干扰，比如一架无人机千分之一秒的行动延时可能导致身后无人机的堵塞。

对此，Vásárhelyii团队的解决方案是尽量多的在他们的模型中预估可能出现的误差，而这也使得他们的无人机群不仅仅是纸上谈兵。

挪威奥斯陆大学（University of Oslo）认知工程与预测项目（the Engineering Predictability with Embodied Cognition project ）的机器人学家Tønnes Nygaard说：“（能在实验上实现无人机的集群智慧）非常不容易；数值模拟当然也不错，它们能简化你的实验条件、孤立你的课题。”

无人机自组织模拟实验 | Vásárhelyi et al.

问题是，研究者有时会依赖过于简化的模型，而这些模型并不能解决实际设计中的难题。

相比于其他只有两三个参数的无人机群相互作用模型，Vásáhelyi团队的模型有十一个参数，这些参数大大增加了模型的复杂性，使得模型能够控制每一个无人机与其他无人机对齐的速度、无人机之间的距离、无人机之间距离的稳定性、以及其他变量。

这十一个参数的最优化是通过进化策略(evolutionary strategy)进行的。研究者们随机生成参数，用超级计算机模拟一百个无人机在每组特定参数下的表现，选出其中涌现群体性最强（碰撞率最小、速度相关系数最大）的模型，微调其所对应的参数，并重复这一系列的数值模拟。

有时一组看上去很有希望的参数最终不能实现，这时就需要研究者返还到之前的参数，或可能把两组有希望的参数结合起来，再进行更多的数值模拟。在150代演化和15000组数值模拟后，研究者终于取得了一组理想的参数——他们相信这组参数能够不仅仅在超级计算机中，更在现实生活中激发起无人机的集群智慧。

无人机集群"圆舞曲" | Zsolt

目前为止，这组无人机群保持零事故的纪录，堪称表现出色。“出色”这个词也贴切地形容了无人机底座的彩色方向指示灯——有趣的是，研究者们临时安装了这些原本用于表演性无人机群的指示灯，而这些指示灯也在更好地帮助研究者监控无人机的状态、发现并改正系统错误的同时，提供了复杂协调作用的一种直观而美丽的简单表示。