智能机器人：反映个体与集体智能

佚名

在机器人向智能化的发展中，多机器人协作系统是一类具有覆盖性的技术集成平台。

如果说单个机器人的智能化还只是使个体的人变得更聪明，那么多机器人协作系统则不但要有一批聪明的人，还要求他们能有效地合作。所以它不仅反映了个体智能，而且反映了集体智能，是对人类社会生产活动的想象和创新探索。

多机器人协作系统有着广泛的应用背景，它与自动化向非制造领域的扩展有着密切的联系。由于应用环境转向非结构化，多移动机器人系统应能适应任务的变化以及环境的不确定性，必须具有高度的决策智能。因而，对多移动机器人协作的研究已不单纯是控制的协调，而是整个系统的协调与合作。在这里，多机器人系统的组织与控制方式在很大程度上决定了系统的有效性。

多机器人协作系统还是实现分布式人工智能的典范。分布式人工智能的核心是把整个系统分成若干智能、自治的子系统，它们在物理和地理上分散，可独立地执行任务，同时又可通过通信交换信息，相互协调，从而协同完成整体任务，这无疑对完成大规模和复杂的任务是富有吸引力的，因而很快在军事、通信及其他应用领域得到了广泛重视。

多机器协作系统正是这种理念的具体实现，其中每个机器人都可看作是自主的智能体，这种多智能机器人系统MARS现已成为机器人学中一个新的研究热点。

多移动机器人系统由于具有移动功能，能在非结构环境下完成复杂任务，是多机器人协作系统中最具典型意义和应用前景，也是得到最广泛研究的一类系统。以下就以多移动机器人系统为代表，介绍智能机器人协作系统的主要关键技术。

体系结构、感知

规划、学习与演化

体系结构是系统中机器人之间逻辑上和物理上的信息关系和控制关系，以及问题解决能力的分布模式，它是多移动机器人协作行为的基础。一般地，多移动机器人协作系统的体系结构分为集中式和分式两种。

集中式体系结构可用一个单一的主控机器人来规划，该机器人具有关于系统活动的所有信息。

感知是智能机器人行动的基础，包括“感觉”和“知道与理解”。

在移动机器人中最主要的感知问题是定位和环境建模问题，虽然已有里程计推算、基于视觉的路标识别、基于地图匹配的全局定位、陀螺导航、GPS等多种定位方法，但在未知非结构环境中，目前有GPS才能实现可实用的全局定位。

但GPS同时受到精度、安全等因素的限制。

规划问题主要包括任务规划和路径规划，一直是人工智能及机器人学研究的主要问题，对其进行了大量和长期的研究，成果已应用在多机器人协作系统的规划问题研究中，与体系结构相对应，多移动机器人系统的规划通常包括集中式规划和分布式规划两种方式。

学习和演化是系统具有适应性、灵活性等特性的体现。

目前，在协作机器人学习中主要采用增强型学习方法和遗传规划，并且在多机器人搬运系统和机器人足球中获得了成功应用。

目前的多机器人学习和演化还停留在比较低的行为层次，其学习和演化的任务和环境也非常简单，当其面对更为复杂的任务和环境时，存在时滞评价和组合爆炸问题。另外，对多智能体的分布式学习与演化，也与传统的集中式的学习与演化方法有明显区别，还有待寻找更为有效的行为优化方法。

协调与协作策略

系统软件平台开发

多移动机器人系统在协作完成复杂任务时，涉及到各机器人任务、规划、控制间的协调，多智能体理论的研究已为这些协调行为提供了思想与策略，但如何把这些抽象的思想与策略结合到具体系统中加以实现，同时又能体现普适性，涉及到用什么工具正确描述各层次的系统行为。

目前在任务协调层最典型的描述工具是离散事件动态系统理论中的有限状态机方法，但如何对不同层次的行为借鉴混合系统理论和方法进行统一描述，还是在研究的热门课题。

此外，在同一环境中运行的多个移动机器人，经常会产生资源利用时的冲突。如果没有适当的协调策略，系统将不能正常工作。对于可预见的冲突，可通过规划加以避免。

值得强调的是，系统动态运行时的情况常常不能事先准确预测，仅依靠规划的方法解决冲突将十分有限。对于动态冲突的消解主要包括磋商法、惯例法和熟人模型法。在動态环境中的死锁检测与消解，仍是十分具有挑战性的难题。