Yue团队在加州理工学院技术中心的露天无人机竞技场内放飞四旋翼无人机

加州理工学院的工程师们设计了一种新的数据驱动方法来控制多个机器人在杂乱、没有地图的空间中的移动，这样它们就不会撞到一起。

多机器人运动协调是一个基本的机器人问题，其应用范围广泛，从城市搜索和救援，到自动驾驶车队的控制，再到混乱环境中的编队飞行。两个关键的挑战使得多机器人的协调变得困难：第一，机器人在新环境中移动，必须在没有完整的未来路径数据的情况下对其轨迹做出瞬间判断;其次，环境中大量机器人的存在使得它们之间的交互变得越来越复杂（也更容易发生碰撞）。

为了克服这些挑战， 他们开发了一种多机器人运动规划算法称为“全球性和地区性的安全自治合成，”或格拉斯，模仿一个完整信息规划师只有本地信息，还有“神经蜂群”（neuralswarm），一种蜂群跟踪控制器，能够学习近距离飞行中复杂的空气动力学交互作用。

Chung说：“我们的工作显示了一些有前景的结果，可以克服传统黑箱人工智能（AI）方法在使用GLAS进行群运动规划时存在的安全性、鲁棒性和可扩展性问题，以及使用神经群对多架无人机进行近距离控制。”

当使用GLAS和Neural-Swarm时，机器人不需要对它所经过的环境或它的同伴打算走的路径有完整和全面的了解。相反，机器人在飞行中学习如何在空间中导航，并在进入“学习模型”进行运动时吸收新信息。由于群体中的每个机器人只需要其局部环境的信息，因此可以进行分散计算;从本质上说，每个机器人都是自己“思考”的，这使得扩大蜂群的规模变得更容易。

“这些项目展示了将现代机器学习方法集成到多智能体规划和控制中的潜力，也揭示了机器学习研究令人兴奋的新方向，”Yue说。

为了测试他们的新系统，Chung s和Yue的团队在多达16架的四旋翼无人机上实施了GLAS和神经蜂群，并在加州理工学院自主系统和技术中心（CAST）的露天无人机竞技场内放飞。研究小组发现，GLAS在很多情况下比目前最先进的多机器人运动规划算法高出20%。同时，Neural-Swarm明显优于不考虑空气动力学交互作用的商业控制器;跟踪误差是衡量无人机在三维空间中如何定位和跟踪所需位置的关键指标，使用新控制器后，跟踪误差减小了四倍。

他们的研究发表在最近发表的两项研究中。5月11日，Chung， Yue， Riviere和Honig在IEEE Robotics and Automation Letters上发表了GLAS：基于端到端学习的多机器人运动规划的全球到本地安全自治综合。《神经群：使用学习交互的分散近距离多转子控制》由Chung， Yue， Shi和Honig发表在6月1日的《IEEE机器人与自动化国际会议论文集》上。该研究得到了雷神公司的支持;还有喷气推进实验室，加州理工学院为NASA管理。
       责任编辑:pj