加州理工學(xué)院的工程師們設(shè)計(jì)了一種新的數(shù)據(jù)驅(qū)動(dòng)方法來控制多個(gè)機(jī)器人在雜亂、沒有地圖的空間中的移動(dòng)，這樣它們就不會撞到一起。
多機(jī)器人運(yùn)動(dòng)協(xié)調(diào)是一個(gè)基本的機(jī)器人問題，其應(yīng)用范圍廣泛，從城市搜索和救援，到自動(dòng)駕駛車隊(duì)的控制，再到混亂環(huán)境中的編隊(duì)飛行。兩個(gè)關(guān)鍵的挑戰(zhàn)使得多機(jī)器人的協(xié)調(diào)變得困難:第一，機(jī)器人在新環(huán)境中移動(dòng)，必須在沒有完整的未來路徑數(shù)據(jù)的情況下對其軌跡做出瞬間判斷;其次，環(huán)境中大量機(jī)器人的存在使得它們之間的交互變得越來越復(fù)雜(也更容易發(fā)生碰撞)。
為了克服這些挑戰(zhàn)， 他們開發(fā)了一種多機(jī)器人運(yùn)動(dòng)規(guī)劃算法稱為“全球性和地區(qū)性的安全自治合成,”或格拉斯,模仿一個(gè)完整信息規(guī)劃師只有本地信息,還有“神經(jīng)蜂群”(neuralswarm)，一種蜂群跟蹤控制器，能夠?qū)W習(xí)近距離飛行中復(fù)雜的空氣動(dòng)力學(xué)交互作用。
Chung說:“我們的工作顯示了一些有前景的結(jié)果，可以克服傳統(tǒng)黑箱人工智能(AI)方法在使用GLAS進(jìn)行群運(yùn)動(dòng)規(guī)劃時(shí)存在的安全性、魯棒性和可擴(kuò)展性問題，以及使用神經(jīng)群對多架無人機(jī)進(jìn)行近距離控制。”
當(dāng)使用GLAS和Neural-Swarm時(shí)，機(jī)器人不需要對它所經(jīng)過的環(huán)境或它的同伴打算走的路徑有完整和全面的了解。相反，機(jī)器人在飛行中學(xué)習(xí)如何在空間中導(dǎo)航，并在進(jìn)入“學(xué)習(xí)模型”進(jìn)行運(yùn)動(dòng)時(shí)吸收新信息。由于群體中的每個(gè)機(jī)器人只需要其局部環(huán)境的信息，因此可以進(jìn)行分散計(jì)算;從本質(zhì)上說，每個(gè)機(jī)器人都是自己“思考”的，這使得擴(kuò)大蜂群的規(guī)模變得更容易。
“這些項(xiàng)目展示了將現(xiàn)代機(jī)器學(xué)習(xí)方法集成到多智能體規(guī)劃和控制中的潛力，也揭示了機(jī)器學(xué)習(xí)研究令人興奮的新方向，”Yue說。
為了測試他們的新系統(tǒng)，Chung s和Yue的團(tuán)隊(duì)在多達(dá)16架的四旋翼無人機(jī)上實(shí)施了GLAS和神經(jīng)蜂群，并在加州理工學(xué)院自主系統(tǒng)和技術(shù)中心(CAST)的露天無人機(jī)競技場內(nèi)放飛。研究小組發(fā)現(xiàn)，GLAS在很多情況下比目前最先進(jìn)的多機(jī)器人運(yùn)動(dòng)規(guī)劃算法高出20%。同時(shí)，Neural-Swarm明顯優(yōu)于不考慮空氣動(dòng)力學(xué)交互作用的商業(yè)控制器;跟蹤誤差是衡量無人機(jī)在三維空間中如何定位和跟蹤所需位置的關(guān)鍵指標(biāo)，使用新控制器后，跟蹤誤差減小了四倍。
他們的研究發(fā)表在最近發(fā)表的兩項(xiàng)研究中。5月11日，Chung, Yue, Riviere和Honig在IEEE Robotics and Automation Letters上發(fā)表了GLAS:基于端到端學(xué)習(xí)的多機(jī)器人運(yùn)動(dòng)規(guī)劃的全球到本地安全自治綜合?！渡窠?jīng)群:使用學(xué)習(xí)交互的分散近距離多轉(zhuǎn)子控制》由Chung, Yue, Shi和Honig發(fā)表在6月1日的《IEEE機(jī)器人與自動(dòng)化國際會議論文集》上。該研究得到了雷神公司的支持;還有噴氣推進(jìn)實(shí)驗(yàn)室，加州理工學(xué)院為NASA管理。
?