群体机器人kilobots研究文章推荐（群体智能）

群体机器人kilobots研究文章推荐（群体智能）

前四篇是来自哈佛Self-Organizing Systems Research Group的文章，他们是kilobots工作的创始团队，分别讨论了机器人构型、错误级联、群决策共识等内容。第五篇和第六篇是Yaochu Jin老师团队工作，是基因调控网络在kilobots上的验证研究，主要是flocking和encircling形态生成。第七篇是关于群体决策实验分析。第八篇讨论了群体的密度和信息传播效果的关系。

Programmable self-assembly in a thousand-robot swarm（Science2014）

自组装使自然界能够通过大量有限和不可靠的个体的相互作用，建立复杂的形态，从多细胞有机体到复杂的动物结构，如鸟群。在工程系统中创造这种能力，对能够在这种规模下运行的算法和物理系统的设计都提出了挑战。我们设计了一个系统，展示了复杂的二维形状的可编程自组装与一千机器人群。这是通过创造自主机器人来实现的，自主机器人被设计成在大群体中工作，并通过局部交互进行合作，**同时开发出一种对大规模分散系统的可变性和误差特性具有高度鲁棒性的形状形成集体算法。**这项工作提出了创造具有自然群体能力的人工群体的目标。

Error Cascades in Collective Behavior A Case Study of the Gradient Algorithm on 1000 Physical Agents（AAMAS2017）

梯度，或称跳数，算法的灵感来自自然现象，如多细胞发育中的形态梯度。**它在多智能体系统和传感器网络中有多种应用，可作为自组织坐标系形成的基础，也可用于寻找信息传递的最短路径。这是一个简单且在理论上易于理解的算法。**然而，我们在此表明，在实践中，它对在更大范围内出现的特定的罕见错误高度敏感。我们在一个由1000个物理智能体（Kilobot机器人）组成的系统上实现它，这些智能体通过一个嘈杂的无线信道异步通信。我们观察到，**单个智能体产生的自发的、持续时间短的罕见错误（例如，由于消息损坏）在空间和时间上传播，导致严重阻碍算法功能的级联。我们建立了时间误差传播的数学模型，并在100个智能体上进行了实验验证。**这项工作表明，从理论上讲，多智能体算法被认为是简单和健壮的，但在物理系统上实现却具有很大的挑战性。系统地理解和量化它们当前的局限性是朝着提高其实现健壮性的方向迈出的第一步。

Multi-Feature Collective Decision Making in Robot Swarms

由于群体决策在蜜蜂和蚁群等生物系统中的广泛应用，它在多智能体系统和群体机器人领域得到了广泛的研究。然而，以往的研究大多集中在单个特征的集体决策上。这项工作引入并研究了多特征集合决策问题，其中一个集合必须同时决定多个二元特征，而没有关于它们的相关困难的先验信息。每个智能体在任何给定的时间只能估计一个特征，但是智能体可以本地传递它们的噪声估计以得到决策。该工作展示了一个分散的单特征决策算法和一个动态任务分配策略，该策略允许智能体在有限时间内锁定多个特征的决策。我们使用模拟和物理的Kilobot机器人验证了我们的方法。结果表明，一个集合可以正确地对多特征环境进行分类，即使在特征分配中存在病态的初始智能体。

Bayes Bots: Collective Bayesian Decision-Making in Decentralized Robot Swarms (AAMAS2020)

是前一工作的拓展。

A Strategy for Self-Organized Coordinated Motion of a Swarm of Minimalist Robots(Trans2017)

极简机器人由于成本低、体积小，在功能上受到很大限制，但非常适合于群体机器人的应用。由于通信距离较短以及缺乏位置和方向感测，在最小群体机器人系统中保持连通性和避免碰撞具有挑战性。为了提高群体连通性，减少机器人之间的碰撞机会，**提出了一种基于自组织的极简机器人群体聚集控制策略。**基于协作建立的相对位置信息，每个机器人确定一个无碰撞的操作多边形。该调度方案通过将机器人分为一组静止机器人和一组移动机器人来协调机器人的运动，使得每个移动机器人都被作为信标的静止机器人包围。此外，我们在运动规划中引入了一种凝聚力，这在群体聚集过程中起到了重要的维持作用。提出了一种新的定量度量方法，用以度量群体智能体与局部通信的连通性，从而评价所提控制方案的性能。我们使用模拟的Kilobots进行了广泛的模拟，以检验不同噪声源和群大小对群的连通性和群聚速度的影响。最后，我们在一个真实的千机器人群上实现了所提出的算法，比较了有无所提出的协调集体运动控制策略下的群集性能。

Regulated Morphogen Gradients for Target Surrounding and Adaptive Shape Formation（TCDS2020）

在群体机器人学中，为自组织极简机器人开发算法已经成为一个热门的研究课题。与其他机器人不同，极简机器人可能无法自我定位，这使得完成诸如包围目标（其位置通常未知）等任务变得非常困难。在目标周围，到达目标并加入群并不总是导致目标的满意包围。此外，如果没有集体决策，个体的极简主义机器人是不可能找出群体的整体形状的。在本研究中，我们利用两种形态的扩散和反应来包围目标并形成圆形群。结果表明，该方法能够自适应地形成多个目标周围的形状。通过计算机仿真和使用kilobots的物理实验来评估该算法的性能。

Collective decision with 100 Kilobots: speed versus accuracy in binary discrimination problems（AAMAS2016）

**在不依赖于中心规划单元或全局通信的情况下，利用大量简单的智能体实现快速、准确的集体决策对于发展复杂的集体行为至关重要。**在本文中，我们研究了二元判别问题背景下集体决策中的速度与精度权衡问题，即群体如何集体决定两个方案中的最佳方案。我们描述了一种新的、完全分布式的集体决策策略，它只需要具有最小能力的智能体，并且比以前的方法更快。我们在实验上评估了我们的策略，使用了100千个机器人群，并且我们在理论上研究了它，使用了连续模型和有限尺寸模型。我们发现，影响策略速度与准确性权衡的主要因素是智能体邻域大小，即与每个智能体共享当前观点的智能体数量。所提出的策略和相关的理论框架可用于设计在给定速度和/或精度水平上进行集体决策的群。

Emergence of Consensus in a Multi-Robot Network: from Abstract Models to Empirical Validation

分散多智能体系统中的一致性动力学受到了广泛的研究，并提出和分析了几种不同的模型。其中，命名游戏以其简单性和适用于从符号学到工程的各种现象和应用而著称。尽管研究的范围很广，但在实际的分布式系统中实现理论模型并不总是简单的，因为物理平台施加了一些约束，这些约束可能会影响一致性动力学。本文研究了kilobot机器人平台命名游戏的实现效果，其中考虑了游戏的并发执行和物理干扰。根据机器人创建的不断发展的通信网络，分析了一致性动力学，强调了不同的区域在很大程度上取决于机器人的密度和它们在实验舞台上广泛传播的能力。我们发现物理干扰降低了机器人在一致性时间上的移动带来的好处，同时也降低了个体的认知负荷。