一種群體機器人方法受到微生物中觀察到的行為的啟發(fā)

許多動物和微生物能夠完成復雜的任務，例如尋找食物或建立巢穴，團隊或“群體”。其中一個最明顯的例子就是蜜蜂，因為它們作為一個群體的生存在很大程度上取決于與其殖民地其他成員的合作。在過去幾年中，越來越多的研究人員試圖在機器人中重現(xiàn)這些迷人的群體動力學，從而形成了一個稱為群體機器人的研究領域。

利茲大學的研究人員最近提出了一種新的群體機器人方法，稱為趨化性，受到微生物中觀察到的特定行為的啟發(fā)。他們的研究預先發(fā)表在arXiv上，源于作者對動態(tài)現(xiàn)實環(huán)境中簡單無脊椎動物生存的興趣，以及這些策略如何應用于機器人。

“在我的博士和第一次博士后研究期間，我研究了一種名為秀麗隱桿線蟲(一種流行的模式生物)的小蠕蟲的運動系統(tǒng)，并成功運用我學到的來控制蛇形機器人的運動，”開展這項研究的研究人員之一喬丹·博伊爾告訴TechXplore。“目前的工作受到同一生物體的啟發(fā)，但這一次，正在考慮其更高層次的行為 - 特別是它利用其嗅覺導向食物來源的方式。”

在沒有感覺輸入的情況下，秀麗隱桿線蟲通常向前移動，但是以隨機的時間間隔進行大轉彎。如果他們感覺到“正面”氣味隨著它們向特定方向移動而變得越來越強烈，它們的轉動頻率就會降低。相反，當“正面”或“期望”氣味變弱時，它們的可能性更大。這種被稱為趨化性的行為最終會讓他們傾向于所需的感官刺激達到頂峰的位置。在他們的研究中，博伊爾，他的同事穆罕默德·多爾達和博士生西蒙·奧布特開始復制這個機器人群中的群策略并評估其有用性。

“這種策略的一個主要好處是它只需要一個模擬傳感器，因為動物移動時會隨著時間的推移檢測到梯度，”Boyle解釋道。“在我們的工作中，我們已經用聲音取代了氣味，因為它更容易用機器人創(chuàng)造和感知，并且隨著你從源頭進一步變得更弱，”Boyle解釋道。“這種方法的主要優(yōu)點是它允許一組群體機器人被限制在特定區(qū)域(即聲源周圍)，而不需要物理邊界，映射能力或復雜的傳感系統(tǒng)。”

該視頻顯示了機器人隨機探索環(huán)境以收集感興趣的項目的模擬。目標僅限于特定區(qū)域，但機器人不是。正如人們所預料的那樣，他們設法收集了不少目標，但隨著時間的推移，他們離開工作區(qū)而未能收集其余的目標。

研究人員使用他們開發(fā)的算法，將趨化性應用于一群探索機器人，最終促使他們返回到位于無限環(huán)境中的巢穴周圍的特定工作區(qū)域。他們在一系列模擬和硬件驗證實驗中測試了它們的性能，從而測試了它們的方法的有效性。雖然他們的結果主要是基于模擬而不是現(xiàn)實世界的實現(xiàn)，但研究人員發(fā)現(xiàn)他們成功地整合了聲音傳播的精確模型。

“我們的硬件結果是初步的，但在這一點上很有希望，”Boyle說。“最終，這項工作可能與物理群體有關，這些群體由非常小，廉價的機器人組成，具有有限的感官和計算能力。雖然實際上，機器人群的實際部署還有一段距離，但它們在許多應用中具有潛力。”

在未來，真實機器人的實驗可以幫助確定這種新的生物啟發(fā)方法的有效性。如果這些測試產生積極的結果，Boyle及其同事開發(fā)的算法最終可用于增強機器人群的導航和定向策略，特別是當他們導航的環(huán)境沒有明確映射或定義時。

第二個視頻實現(xiàn)了趨化機制。同樣，機器人正試圖通過隨機探索收集所有目標。但是，該區(qū)域中間現(xiàn)在有一個聲源。當機器人檢測到聲音強度低于某個值時，他們開始使用趨化性行為向源頭移動(通過增加/減少他們根據聲音是否越來越強的隨機轉彎的機會)。仍然沒有物理屏障或任何東西，我們可以看到該機制非常有效地將它們限制在感興趣的區(qū)域。

Obute目前正致力于將趨化性整合到更復雜的群體機器人系統(tǒng)中，模擬以及一些硬件實驗中。他的最終博士學位 該項目專門研究了使用群機器人進行城市垃圾收集的可能性。另一方面，博伊爾計劃繼續(xù)探索可能對機器人應用特別有用的生物策略。

“目前，我有興趣將類似技術應用于我所參與的一個重大項目，旨在開發(fā)用于監(jiān)測下水道和供水網絡完整性的機器人系統(tǒng)，”Boyle說。