转载

MIT 为集群无人机开发了一种分散式控制算法

得益于麻省理工学院正在开发的一种控制算法，我们距离无人机组成完美编队飞行可能又近了一步。

控制机器人编队在运动时避免撞上彼此或是碰到路线上的其他物体，解决其中的复杂性依旧是困扰机器人专家的一个难题。

不过，麻省理工学院的研究团队认为，他们已经取得一项突破，可以让组建完美的复杂无人机编队变得更加容易。他们表示，其分散规划算法可以同时处理静止和运动的障碍物，并在这样做的同时减少计算成本。

为什么分散式控制算法比集中式控制算法更好呢？简单的答案就是，分散式算法的弹性更大，因为在集中式算法中，如果中央控制器停机，那就会出现危及整个系统的单点故障。

研究人员还声称，分散式算法能够比集中式算法更好地处理不稳定的通信。还有什么通信比飞行的机器人集群更不稳定呢？不过，分散式算法的不利之处是开发难度更大，因为所有的运动部件都必须参与到运算思考当中。

“在集中式算法中，单个实体掌握着所有的信息，并负责找到解决方案。而在分散式算法中，每个实体（机器人）只掌握着关于周围环境和其他机器人（比如，它只能看到临近的机器人）的部分信息。机器人需要相互沟通来传递信息和进行协调。”哈维尔·阿隆索-莫拉（JavierAlonso-Mora）解释道，他是参与开发算法的研究人员之一。

据该研究团队称，截至目前，针对分散式控制算法的研究大多集中于让集体决策变得更加可靠，也就是解决绕开路线上障碍物的难题。

“（这种算法）最近的应用将是控制无人机集群进行编队飞行，比如监控某个区域，绘制一个地方的地图。”阿隆索-莫拉在讨论机器人编队未来的潜在应用时补充道，“以及让移动机械臂协作在工厂车间运送物品。”

去年，这支研究团队演示了算法的集中式版本，他们让两台轮式机器人一起负责运送物品，你可以在 YouTube 上观看该项目的一段视频。

据研究人员称，其分散式算法需要的通信带宽和计算成本小得多，这得益于它用一种分布式方法让机器人跟临近机器人在无障碍区域分享情报。

这里面的工作原理是什么呢？这种分散式算法不是让每个机器人彼此传递它周围的完整安全空间地图，而只是让它们跟临近的机器人共享地图，并让每个机器人计算出临近机器人地图跟自己相交的部分——下一个临近机器人只会收到相关的交集数据。因此，这种算法的理念是，作为一个整体，机器人编队维护着一张安全地形的综合地图，同时减少机器人编队移动所需的通信数据。

“机器人不会传递自己看到的所有障碍物位置信息，相反，它们传递的是区域（即一系列线性约束/凸性区域）信息。因此，它们都获得了关于‘自由空间’的概览，不需要知道所有的障碍物都在哪里。”

“这扩展到存在很多障碍物的场景效果也很好。”阿隆索-莫拉补充道。

在绘制 3D 空间的地图以外，这种分散式算法还包含了第四维度——时间——让集群机器人能够预测移动障碍物的轨迹，然后相应地调整自己编队的路线。

这个过程涉及到一些猜测，研究人员指出，它是以一种“数学原理简单的方式”发挥作用的，即假设移动障碍物的速度恒定。显然，这种假设并不总是正确的，但考虑到每个机器人每秒都会对地图进行数次更新，研究人员估计，这个时间间隔已经短到可以应付大多数的加速运动物体，因为大多数运动物体不会急促地改变速度。

截至目前，研究人员已经利用模拟无人机对算法进行了测试。他们表示，它已经能够制定出跟集中式控制算法相同的飞行计划。

这让计算机模拟的小型无人机“大致”维持了近似完美的队形（位于固定高度的正方形），但这个正方形有时会进行旋转以适应障碍物的存在以及无人机间距的收缩。研究人员补充说，无人机“偶尔”还会呈一列纵队飞行，或者组成各对无人机在不同高度飞行的队形。

此外，研究人员还在真实的（轮式）机器人身上测试了分散式算法，结果表明，这样的使用场景未来可能很有用，成群结队的机器人将可以在存在人类的环境中工作。

“我们正在研发一款示范产品，它拥有真正的运载工具以及类似的应用。”阿隆索-莫拉如是说。

他补充说，后一阶段他们“可能”还会在真正的无人机上进行实验（不难想见，如果你控制的机器人是飞行在半空中的无人机，那么测试控制算法鲁棒性的成本是非常高的）。

这些研究人员将在下个月举行的机器人和自动化国际会议（International Conference on Robotics and Automation）上发表他们的论文。要想看到由无人机组成的完美编队飞行在城市上空，我们还得登上更长的时间。

“在目前，这还是一项研究。”阿隆索·莫拉强调道，他接着指出，开发控制机器人集群的强大算法，这件事仍然存在着很多挑战。

“举几个例子：机器人动力学，对存在很多移动障碍物的动态环境的长期保障，实际系统的通信/网络问题，以及如何获取环境的状况。”