在机器人领域，协调多个机器人的运动是一个基本问题，在实际应用中，从城市搜救到自动驾驶车队的控制，再到在混乱环境中的编队飞行，都十分重要。
但是，两个极为关键的挑战使得解决这一问题有些困难：首先，在一个新环境中，即使机器人没有完整的路径数据，他们仍然必须在瞬间对自己的运动轨迹做出决定；其次，环境中大量机器人的同时存在使得它们之间的交互十分复杂，并且更容易发生碰撞。
为了克服这些困难，布伦航空航天教授Soon Jo Chung和计算与数学科学教授Yisong Yue，以及加州理工学院研究生Benjamin Rivière、博士后学者Wolfgang Hnig，还有研究生Guanya Shi，合作开发了一种称为“从全局到局部的安全自主综合”的多机器人运动规划算法（GLAS），该算法可以模仿完整的信息规划器，并且只在算法中使用了局部信息和“神经群”（一种用于学习近距离飞行中复杂气动相互作用的群追踪控制器）。
为了测试他们的新系统，Chung和Yue的团队在多达16架四旋翼无人机上安装了GLAS和神经群，并在加州理工大学自主系统与技术中心（CAST）的露天无人机竞技场内放飞。
研究小组发现，GLAS在很多情况下都能比目前最先进的多机器人运动规划算法表现出20%的优势。同时，神经群的性能明显优于不考虑空气动力相互作用的商业控制器；跟踪误差是无人机在三维空间中如何定向和跟踪所需位置的关键指标，在使用这种新控制器时，误差减小了四倍。
“我们的工作确实取得了一些较好的结果，比如可以克服传统黑箱人工智能AI方法的安全性、鲁棒性和可扩展性问题，以及使用GLAS和神经群对多架无人机进行近距离控制。”Chung说。
当使用GLAS和神经群时，机器人不需要对它所经过的环境或者同伴打算走的路径有一个完整而全面的了解。相反，机器人在飞行时学习如何在空间中导航，并在进入“学习模型”进行运动时融入新的信息。由于群中的每一个机器人只需要它自己局部环境的信息，所以可以进行分散计算；从本质上来说，每个机器人都是只为自己“思考”的，这样就更容易扩大群体的规模。
“这些项目展示了将现代机器学习方法整合到多智能体规划和控制中的潜力，也为机器学习的研究揭示了令人兴奋的新方向。”Yue说。
他们的研究发表在最近发表的两项研究中。Chung, Yue, Riviere和Honig于5月11日在IEEE Robotics and Automation Letters上发表了《GLAS：具有端到端学习的多机器人运动规划的全局到局部安全自治综合》。《神经群：使用学习交互的分散式近距离多转子控制》于6月1日由Chung，Yue，Shi和Hnig在IEEE国际机器人与自动化会议论文集上发表。
该文章内容转载自大数据文摘。
END