群体机器人的群集行为研究综述*

李成凤，田彦涛

（1.绥化学院 信息工程学院，黑龙江 绥化 152061;2.吉林大学 通信工程学院，吉林 长春 130025）

群体机器人的群集行为研究综述*

李成凤1，田彦涛2

（1.绥化学院 信息工程学院，黑龙江 绥化 152061;2.吉林大学 通信工程学院，吉林 长春 130025）

针对群体机器人的群集行为，对其适应性、可控性和优化性三个方面的研究现状进行总结，并指出了群集行为研究中有待解决的一些问题，以促进对群体系统协调控制理论与应用的进一步研究.

适应性;可控性;优化性

生物群体行为是自然界中极为常见的现象，如蜂群筑巢，鱼群觅食和鸟群迁徙等，其共同特点是:个体数量庞大且智能相对简单;仅具有局部感知能力，信息来自于自身、邻居个体和外部环境;不存在统一的管理者，可以涌现出协调有序的状态;具有生存（如觅食、迁徙或逃生等）优势.受此启发，群集行为作为群体机器人协调控制中最基本的问题之一成为现今的研究热点.所谓群集行为，是指群体中每个个体利用自身信息、与其邻居进行交互获取的局部信息，以及所在运行环境反馈的导航信息不断更新自身控制策略，使整个群体聚集有序地按相同方向运动.

本文将对群集行为的研究现状从群体对环境的适应、稳定状态可控和性能优化进行总结及分析.

1 群集行为的适应性

群集行为的适应性是指群体机器人能够根据跟踪目标和外界环境的改变产生不同的协调控制策略而使整个群体仍能实现群集.从外界环境的角度来看，目前的研究逐步从理想无障碍物环境过渡到了存在障碍物的复杂环境，并取得了丰硕的研究成果.

1.1 理想的无障碍物环境

最初关于群集行为的研究都是基于理想的无障碍环境展开的，如 Boid 模型［1］，Vicsek 模型［2］以及吸引排斥模型［3］等经典群体动力学模型的建立.

Boid模型所遵循的三条规则为:①中心靠拢;②避免碰撞;③速度匹配.虽然只是实现了计算机仿真实验，但之后很多研究都是基于该模型的规则.文献［4］运用图论、非光滑分析以及Lyapunov稳定性理论等给出了集群现象的理论解释，提出了局部控制策略，使群体最终实现稳定的群集运动.Vicsek模型是对Boid模型进行简化，其更新规则是将邻近个体速度方向的非线性均值作为下一时刻个体的速度方向，并通过仿真实验验证了策略的有效性.文献［5］利用图论、矩阵论和控制论对Vicsek模型的稳定性进行了理论证明.显然，上述研究均没有考虑环境对系统的影响.文献［6］提出了一系列吸引排斥函数来描述个体间的相互作用，并设计了分布式控制器来分析n维空间中某种特定环境下的群体聚集行为.文献［7］分析了具有不同虚拟力的群集系统的稳定性.文献［8］利用虚拟力和最近邻居原则来实现群集运动.文献［6－8］的研究中虽然没有考虑环境中存在障碍物的情况，但是却利用特定的梯度函数对环境进行了描述，同时环境的作用也反馈到群体的控制策略当中，起到了导航作用.

1.2 存在障碍物的环境

障碍物环境接近群体机器人实际应用的真实环境，故研究此环境中的群集行为更具现实意义.

文献［9］假设群体中部分个体能够对其遇到过的障碍物产生有限记忆，从而使群体更快到达目标区域，实现自组织的群集行为.通过对六种不同障碍物地形进行了仿真实验，结果表明:至少在某些领域这个猜想是正确的.文献［10］定义当个体与障碍物的距离小于临界值时，该障碍物边缘对应产生一个虚拟障碍物个体，并利用人工势能函数设计了分布式群集避障算法，避免了个体在运动过程中与障碍物的碰撞.但此算法只适用于凸形障碍物环境.文献［11］提出了障碍物环境中的自适应群集算法，群体可以根据环境条件分散成多个群体或重新组合为一个群体，实验结果表明:群体能够不断重复分区过程并通过多个狭窄通道.文献［12］利用模糊逻辑设计分布式避障控制算法，使群体实现了障碍物环境中群集运动，进行了稳定性分析，并通过仿真实验进行了进一步的验证.文献［13］在网络初始状态处于连通的条件下，结合人工势能函数与流函数设计了能够使群体实现期望的稳定群集运动的分布式群集避障控制算法，该算法能够使群体保持连通，并且顺利避开障碍物而没有陷入局部极小.

尽管关于群体对环境的适应的研究取得了一定进展，但对于实际应用中更为复杂多变的不确定环境，群体适应性研究还有待进一步地深入.

2 群集行为的可控性

群集行为的可控性是指通过设计控制策略使群体最终达到期望的协调有序状态（速度和位置）.目前，为解决群集行为的可控性问题，研究者分别在群体引入了领导者和软控制的概念.

2.1 引入领导者的群集算法

文献［14］指出海洋中的鱼群里有一部分鱼在起“领导者”作用.可见，在群体机器人中引入领导者是合理的.文献［10］引入了具有恒定速度的全局作用范围的虚拟领导者，设计了分布式协调控制算法，并从理论和仿真上证明群体能够实现期望的群集行为.文献［15］指出仅有少数个体能够获得虚拟领导者的信息，群体就能够在通信拓扑结构保持连通的条件下实现群集行为的可控.此虚拟领导者的作用范围不再是全局的而是局部的，这更符合群体机器人中的个体仅具有局部通信能力的特点.文献［16］利用图论、非光滑分析结合群集势能函数、速度一致性和导航反馈思想，对多智能体的分布式领导者跟随者群集算法展开研究.群体中仅有一个具有时变期望速度的虚拟领导者，每个知情个体只感知到领导者的部分信息，但群体速度仍可渐近收敛到期望速度，同时，具有领导者位置信息的知情个体的中心也可最终跟随上领导者的轨迹.另外，发现势能函数的局部最小可以不形成α格形式.

文献［17］所设定的领导者不再是虚拟的，而是群体中能感知到全局信息的部分真实个体，其他普通个体则仅能感知到局部信息，经理论分析和仿真实验验证所设计的群集算法有效.文献［18］仍存在多个能够获取全局信息的领导者，与之前研究不同的是采用模糊控制方法对个体之间的相互作用力关系进行描述，除从理论上证明群体能够实现稳定群集运动外，还利用实体机器人进行实验验证了控制器的有效性.

2.2 引入软控制的群集算法

群集系统的突出特点是每个个体具有相对简单的结构、有限的计算能力和局部的通信能力.实际上在想要使整个系统实现期望的控制目标时，不能够以群体中个体复杂度的增加为代价，否则就违背了群体机器人系统上述最典型的特征.所以在遵循该原则的基础上，文献［19］中提出了“软控制”这一概念，用于实现在破坏群体局部交互机制和个体的动力学规则的情况下对群体状态的控制.所谓“软控制”，即在群体机器人系统中引入的可以人为控制的特殊智能体“shill”，其运动更新策略与群体中的普通个体是不同的，但群体中的普通个体仅将其以普通个体看待进行邻居范围内的局部信息交互，而不会视其为特殊个体，这是与领导者控制算法最大的不同.同时，理论和仿真分析已经证明该控制策略的正确性和可行性.

但在上述文献中，当有多个不同的期望状态时，在不破坏群体局部规则的基础上实现群集系统的可控问题仍没有解决，需要进一步的研究.

3 群集行为的优化性

群集行为的优化性是指利用优化算法实现群集系统的性能优化.

文献［20］利用粒子群优化算法进行群体机器人群集算法的速度在线优化，使群体的收敛速度达到最大值.文献［21］则是考虑群体机器人运行中的能量消耗问题，利用粒子群优化算法实现能耗最小的优化目标.文献［22］将群体交互过程中通信量作为适应度函数，利用粒子群优化算法得到了最优的通信半径和通信频率.文献［23］对基于粒子群优化建立起的群集算法进行了定性分析，并通过相应的仿真实验验证了算法的有效性，其最终目标是利用粒子群优化算法实现多目标跟踪的群集行为.文献［24］研究了结合拓扑优化的群集运动，提出一个分布式优化方案来降低群体跟踪虚拟的目标时为保持连通性而造成的通信复杂度，并在此基础上设计了分布式控制算法以实现群集行为.

上述研究均没有考虑群集系统的综合性能优化，即选择主要性能指标，如能耗指标、通信量指标、快速性指标和准确性指标等，实现多目标优化.

4 结论

群集行为的研究虽取得了一定进展，但想要应用于工程实际，还需专家学者进行更进一步的研究，并着重解决如下问题:①如何建立更合适的群集行为数学模型?②如何设计基于局部信息交互的群集控制算法?③如何达到群体最终协调有序状态的可控?④如何实现群体对多种任务或复杂环境变化的适应?⑤如何获得群体在个体失效或出现干扰情况下所表现出的鲁棒性?⑥如何完成群体在实现群集行为基础上的综合性能优化?

［1］C.W.Reynolds，Flocks，birds，and schools:a distributed behavioral model［J］.Proc.Of ACM Computer Graphics（SIGGRAPH＇87），1987，21（4）:25 －34.

［2］T.Vicsek，A.Czirok，E.Ben － Jacob，I.Cohen，O.Shochet.Novel type of phase transition in a system of self－ driven particles［J］.Physical Reviews Letter，1995，75（6）:1226 －1229.

［3］A.Jadbabaie，J.Lin，A.S.Morse.Coordination of groups of mobile autonomous agents using neighbor rules［J］.IEEE Transaction on Automatic Control，2003，48（6）:988 －1001.

［4］H.G.Tanner，A.Jadbabaie and G.J.Pappas，Flocking in fixed and switching networks［J］.IEEE Trans.Autom.Contr.，2007，52（5）:863－868.

［5］V.Gazi and K.M.Passino.A class of attraction/repulsion functions for stable swarm aggregations［C］.Proc.of Conference on Decision Control，Los Vegas，NV，Dec 2002:2842 －2847.

［6］V.Gazi and K.M.Passino.Stability analysis of swarms in an environment with an attractant/repellent profile［C］.Proc.of the American Control Conference，Anchorage，AK，May 2002:1819 －1824.

［7］Xiaohai Li，Zhijun Cai and Jizhong Xiao.Biologically inspired flocking of swarms with dynamic topology in uniform environments［C］.Proceedings of Conference on Decision and Control，New Orleans，LA，Dec.2007:2522 －2527.

［8］Dan Jin，Lixin Gao.Stability analysis of a double integrator swarm model related to position and velocity［J］.Transactions of the Institute of Measurement and Control，2008.30（3 －4）:275 －293.

［9］R.Winder，J.A.Reggia.Using distributed partial memories to improve self－ organizing collective movements［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B:Cybernetics，2004，34（4）:1697－1707.

［10］R.Olfati－ Saber.Flocking for Multi－ agent Dynamic Systems:Algorithms and Theory［J］.IEEE Transactions on Automation and Control，2006，51（3）:401 － 420.

［11］Y.Hanada，Geunho Lee;Nak Young Chong.Adaptive Flocking of a Swarm of Robots Based on Local Interactions［C］.Proceedings of Conference on Swarm Intelligence Symposium，Honolulu，HI，2007:340 －347.

［12］Hui Yu，Tiecheng Zhang，Jigui Jian.Flocking with obstacle avoidance based on fuzzy logic［C］.Proceedings of Conference on Control and Automation，Xiamen，China，June，2010:1876 －1881.

［13］Qiang Wang，Hao Fang，Jie Chen，Yutian Mao，Lihua Dou.Flocking with obstacle avoidance and connectivity maintenance in multiagent systems［C］.Proceedings of Conference on Decision and Control，Maui，HI，2012:4009 －4014.

［14］I.D.Couzin，J.Krause，N.R.Franks，S.A.Levin.Effective leadership and decision making in animal groups on the move［J］.Nature，2005，433（7025）:513 －516.

［15］Huosheng Su，Xiaofan Wang，and Zongli Lin.Flocking of Multi－ Agent with a Virtual Leader［J］.IEEE Transactions on Automation and Control，2009，54（2）:293 － 306.

［16］Wenwu Yu，Guanrong Chen，Ming Cao.Distributed Leader－Follower Flocking Control for Multi－Agent Dynamical Systems with Time－ Varying Velocities［J］.Systems ＆ Control Letters，2010，59:543 －552.

［17］Dongbing Gu，Zongyao Wang.Leader－ Follower Flocking:Algorithms and Experiments［J］.IEEE Transactions on Control Systems Technology，2009，17（5）:1211 －1219.

［18］Dongbing Gu，Huosheng Hu.Using Fuzzy Logic to Design Separation Function in Flocking Algorithms［J］.IEEE Transactions on Fuzzy System，2008，16（4）:826 －838.

［19］Jing Han，Ming Li and Lei Guo.Soft Control on Collective Behavior of a Group of Autonomous agent y a Shill agent［J］.Journal of Systems Science and Complexity 2006，19（1）:54 －62.

［20］R.Vatankhah，S.Etemadi，M.Honarvar，A.Alasty，M.Boroushaki.Vossoughi，G.Online velocity optimization of robotic swarm flocking using particle swarm optimization（PSO）method［C］.Proceedings of International Symposium on Mechatronics and its Applications，Sharjah，March，2009:1 －6.

［21］Mao Yang，Chengfeng Li，Yantao Tian.Flocking for Swarm Robot System:Distributed Coadaptive Control and Optimization［C］.Proceedings of Conference on Information Engineering and Computer Science，Wuhan，Dec.2009:1 －4.

［22］Li Chengfeng，Hong Wei，Liu Zongchun and Tian Yantao.Traffic in cooperative consensus behavior of swarm robots［C］.Proceedings of the International Conference on Machine Learning and Cybernetics.Guilin，2011:1368 －1375.

［23］A.S.Barrera，A.López － López，G.R.Gomez.Self－ organization of agents for collective movement based on particle swarm optimization:A qualitative analysis［C］.Proceedings of Conference on Electrical Communications and Computers，San Andres Cholula，2011:71 －76.

［24］X.Luo，D.Liu，X.Guan，S.Li.Flocking in target pursuit for multi－ agent systems with partial informed agents［J］.IET Control Theory ＆ Applications，2012，6（4）:560 －569.

TP24

A

1008－7974（2014）03－0036－03

2010－06－10

李成凤（1986－），女，黑龙江巴彦人，硕士，教师.

国家自然科学基金项目（60675057）.

（责任编辑:王前）