加州理工学院的工程师设计了一种新的数据驱动方法，以控制多个机器人在杂乱无章的空间中的移动，因此它们不会彼此碰到。
多机器人运动协调是机器人技术的一个基本问题，其应用范围很广，从城市搜索和救援到控制自动驾驶汽车的车队，再到混乱环境中的编队飞行。
两个关键挑战使多机器人的协调变得困难：首先，尽管在未来环境中的数据不完整，但在新环境中移动的机器人仍必须瞬间做出关于其轨迹的决策中国机械网okmao.com。
其次，环境中大量机器人的存在使它们的交互变得越来越复杂（并且更容易发生碰撞）。
为克服这些挑战，Bren航空航天教授Soon-Jo Chung和计算与数学科学教授Yuesong Yue，以及加州理工学院的研究生BenjaminRivière（MS '18），博士后学者WolfgangHnig和研究生Guanguan Shi。
开发了一种多机器人运动计划算法，称为“全球到本地安全自主综合”或GLAS，该算法模仿了仅包含本地信息的完整信息计划器，以及“神经群”，这是一种补充了信息的群跟踪控制器在近距离飞行中学习复杂的空气动力学相互作用。
Chung说：“我们的工作显示出一些有希望的结果，可以克服传统的黑匣子人工智能（AI）方法通过GLAS进行群体运动计划以及使用Neural-Swarm进行多架无人机的近距离控制的安全性，鲁棒性和可扩展性问题。” 。
使用GLAS和Neural-Swarm时，机器人并不需要完整，全面地了解其所经过的环境或其他机器人所要采用的路径。
取而代之的是，机器人学会了如何在空间中进行实时导航，并在进入“学习模型”进行运动时结合新信息。
由于一群机器人中的每个机器人仅需要有关其周围环境的信息，因此可以进行分散计算。从本质上讲，每个机器人都会自己“思考”，这使得按比例放大群集的规模变得更加容易。
岳说：“这些项目展示了将现代机器学习方法集成到多智能体计划和控制中的潜力，并且还揭示了机器学习研究的令人兴奋的新方向。”
为了测试他们的新系统，Chung和Yue的团队在多达16架无人机的四旋翼机群上实施了GLAS和Neural-Swarm，并在加州理工学院自动系统和技术中心（CAST）的露天无人机舞台上进行了飞行。
研究小组发现，在许多情况下，GLAS的性能可比当前最新的多机器人运动计划算法高20％。
同时，Neural-Swarm大大胜过了不能考虑空气动力相互作用的商用控制器。当使用新的控制器时，跟踪误差是无人机如何定位自身并跟踪三维空间中所需位置的关键指标，其误差要小四倍。
他们的研究出现在最近发表的两项研究中。Chung，Yue，Rivière和H?nig于5月11日在IEEE机器人与自动化快报上发表了“ GLAS：具有端到端学习功能的多机器人运动规划的全球到本地安全自主综合”。
Chung，Yue，Shi和H?nig于6月1日在IEEE国际机器人与自动化会议上发表了“神经群：利用学习的相互作用的分散式近距离多转子控制”。