《Advanced Intelligent Systems》:Human-in-the-Loop Swarms: A Bionic Swarm Approach to Real-World Soil Mapping
编辑推荐:
群机器人(Swarm Robotics)与野外机器人(Field Robotics)因硬件开发周期长、成本高昂而面临真实世界验证的重大障碍。本文提出"Bionic Swarm(仿生蜂群)"新型系统,通过将机器人难以实现但不影响算法评估的任务抽象并由人类操作者完
群机器人(Swarm Robotics)与野外机器人(Field Robotics)因硬件开发周期长、成本高昂而面临真实世界验证的重大障碍。本文提出"Bionic Swarm(仿生蜂群)"新型系统,通过将机器人难以实现但不影响算法评估的任务抽象并由人类操作者完成,从而降低上述壁垒——人类使用者根据智能手机Web应用接收指令,该应用从蓝牙连接传感器获取测量值并上传至中央服务器;服务器运行群算法并向人类使用者下发行动指令。研究人员通过该平台实验验证了面向岩土工程的分数偏差搜索(Score-Biased Search, SBS)算法:该算法对重建地图上各位置赋予"分数(score)",使搜索模式偏向高期望分数区域,且相对搜索智能体数量表现出超线性(Superlinear)地图重建效果。先给出算法仿真结果,再将算法应用于Bionic Swarm平台以验证其户外真实环境功能。研究表明,这种人因介入(Human-in-the-Loop)方法显著降低了野外与群机器人研究的准入门槛。
论文解读:《Human-in-the-Loop Swarms: A Bionic Swarm Approach to Real-World Soil Mapping》(发表于Advanced Intelligent Systems)
一、研究背景与意义
群机器人(Swarm Robotics)与野外机器人(Field Robotics)算法的真实世界验证长期受限于硬件开发耗时长、成本高(单台机器人从数百至上万美元不等)、多机协同可靠性要求严苛及室外环境安全考量等问题,致使许多群算法仅停留在仿真阶段,早期真实测试困难,研究者易在缺乏实证时过早锁定设计决策。传统岩土测绘(Geotechnical Mapping)依赖稀疏采样结合地质统计方法(如克里金(Kriging)法)插值,缺乏自适应、信息驱动的密集采样策略。为此,研究人员提出"Bionic Swarm(仿生蜂群)"范式:用人力替代机器人移动与避障等硬件相关任务,保留传感—算法闭环,使人因介入(Human-in-the-Loop, HITL)蜂群快速、低成本地在真实环境中验证群算法,并以分数偏差搜索(Score-Biased Search, SBS)算法驱动岩土连续变量(体积含水量Volumetric Water Content, VWC)空间测绘为应用案例。
二、主要关键技术方法
研究人员构建由中央Python服务器、参与者智能手机端Web应用(扫描二维码接入,GPS与IMU可调用)及ESP32-S3微控制器接TEROS 12土壤传感器(测VWC与电导率Electrical Conductivity, EC)组成的三层Bionic Swarm架构;传感器数据经手机蓝牙传服务器,服务器运行SBS算法后向各手机下发下一测量目标位置与导航箭头。SBS算法流程为:①各智能体在当前位测目标量并汇入共享数据库;②基于所有测量—位置对做普通克里金(Ordinary Kriging, OK)重建全场期望值与不确定度;③依加权分数(期望×weight_expected_value+不确定度×weight_uncertainty+中心偏好×weight_prefer_center+邻近偏好×weight_prefer_closeness+当前目标保持×weight_prefer_current_goal)生成分数图,通过沃罗诺伊划分(Voronoi Partitioning)分配子域,选最高分格点为目标,A*路径规划以格点进入代价为其分数倒数的方式使路径偏向高分区,每步沿最优路径走一格后循环。参数经全因子设计在分数布朗场(Fractional Brownian Fields, fBm, Hurst参数0.7)合成多样环境调优选定。仿真对比基准为螺旋搜索(Spiral Search)与点对点(Point-to-Point, PtP)随机目标搜索;实地实验于新泽西纽瓦克Branch Brook Park 150 m×150 m草地,4名人操作者在10 m×10 m离散网格下分别测试中心起始、边缘起始、自选起始及无引导游荡(Wandering),以特征精度(Characterization Accuracy, CAX,即临界成功指数Critical Success Index, CSI在X百分位阈值下的应用)与平方和误差(Sum of Squared Error, SSE)评估。
三、研究结果
4 模拟算法评估(Simulated Algorithm Evaluation)
在100幅100×100 fBm合成地图上对比Na?ve Spiral、PtP与SBS(1/2/4/8/16智能体,总采样步数固定800步等价)。结果表明SBS在早期时间节点(25%、50%搜索预算)及较高特征阈值(CA90、CA95、CA99)显著优于PtP与螺旋搜索(p<0.05, BH校正),具超线性地图重建趋势;多智能体SBS(4与8个)较同数PtP在CA99早期提升可达2~4倍,但16智能体因初始"预热(burn?in)"期占比大略降早期表现。含障碍物的四智能体SBS性能未受明显影响,路径规划自然绕行障碍。SSE统计检验显示SBS在T=25%与50%显著低于PtP(p<0.05),T=100%差异不显著,符合早期快速收敛特性。
5 实验系统评估(Experimental System Evaluation)
户外实地四操作者Bionic Swarm实验显示,中心起始(Start Center)与边缘起始(Start Edges)SBS在约80次读数后能较好重构VWC空间梯度,与OK重建地面真值吻合;用户自选起始因人为偏差漏测部分高值区,无引导游荡产出低对比度模糊图且低估峰值VWC。CAX曲线随采样数变化趋势与仿真定性一致,证实算法在真实环境中有效。网格分辨率测试表明5 m格高精度但采样密集,20 m格快速覆盖但平滑细节,符合预期。
四、讨论与结论翻译
讨论指出Bionic Swarm使群算法早期低成本实地验证可行,相比购置与编程四台UGV(成本>$100k、耗时约一年),本系统仅需约一月兼职开发与少量人力报酬,大幅降低准入壁垒;局限包括人引入行为方差影响参数微调复现性、异步运动与定位偏差、难以长时间大量重复试验及超大群扩展受限,且不适合需高精度/高速执行器课题,但可作为仿真与全机器人实验间填补环节加速迭代。作者认为未来将拓展传感器兼容、后端扩容及更大规模人—机混合验证,并与真实机器人群对比。
结论(翻译):
Bionic Swarm系统使研究人员得以快速、经济地验证SBS算法功能。该系统打破"必须用机器人验证面向机器人的算法"范式,将难实现的机器人运行细节抽象给人完成,且不限于本文算法与应用,具通用性。据研究人员所知,Bionic Swarm是首个闭环利用实时空间模型主动引导人因蜂群进行高效环境测绘的系统,为群算法提供了一种快速、低成本的真实世界验证新范式。虽全机器人实验仍是算法验证金标准,人因介入方法开辟更早阶段实地测试途径,也使更多课题组可开展实地测试,同时助高资源组快速迭代传感器与算法以提升最终全尺寸实验质量。此方法特别惠及野外与群机器人学——其实验成本高且系统可靠性要求严。未来Bionic Swarm平台开发将聚焦易用性扩展、新传感器集成及后端扩容;研究人员还将评估更大人类队列或混合设置下的扩放效应,并将Bionic Swarm与真实机器人群对比以验证性能相似性及人因要素利弊。