可编程集群(Programmable Flocks)：基于动态参数注入(Dynamic Parameter Injection)的分层蜂群控制

《Advanced Intelligent Systems》：Programmable Flocks: Hierarchical Swarm Control via Dynamic Parameter Injection

　　

研究人员提出一种机器人蜂群控制方法，利用两类异构机器人——大量具备简单局部吸引/排斥律的简易无记忆工作机器人(Workers，即"智能粒子 Smart Particles")与少量可动态注入交互参数的引导机器人(Guides)——来对工作蜂群进行形态塑形与整体平移。引导机器人通过动态修改工作机器人的局部吸引/排斥规则（密度 ρ、视野 FoV、模式 M 及反应视野 RFoV），重编程其交互律以实现并维持目标队形。该框架利用引导机器人的感知与协调能力，借助虚拟共识(Virtual Stigmergy)将交互参数作为分布式程序传播至蜂群。研究人员通过基于物理的仿真器(ARGoS3)对最多 1000 个机器人形成三种不同图案进行了大规模仿真实验，结果表明该方法随机器人数量增加具有良好的可扩展性，且在目标运动形状下图案畸变较小。研究人员还在实体机器人蜂群上利用视觉惯性里程计(Visual Inertial Odometry)计算相对位置对该方法进行验证，获得与仿真相当的结果。本工作为可配置智能粒子的设计与协调奠定基础，在智能材料(Smart Materials)与纳米医学(Nanomedicine)中具有应用前景。

《Programmable Flocks: Hierarchical Swarm Control via Dynamic Parameter Injection》论文解读

本文发表于《Advanced Intelligent Systems》。传统蜂群机器人(Swarm Robotics)研究多依赖单一层级、均匀行为的自组织规则，经典牧羊(Shepherding)问题中"牧羊犬"仅能通过物理接近与排斥影响"羊群"，羊群自身行为规则固定不变，且多数方法无法在平移过程中维持任意指定队形。现有领导者-跟随者(Leader-Follower)方法通常计算复杂、依赖全局定位，难以兼顾可扩展性与队形保真度。为实现对大规模简单机器人集群的精确队形塑造与刚体平移控制，并保留自然蜂群的可扩展性、鲁棒性与适应性，本研究提出"可编程集群(Programmable Flocks)"概念：引入异质两层智能层级——少量具备感知、规划与通信能力的引导机器人(Guide Robots)与大量仅能做局部相对测量与邻域通信的简单工作机器人(Worker Robots / Smart Particles，智能粒子)——引导机器人不在仅施加物理推力，而是通过虚拟共识(Virtual Stigmergy，一种无冲突复制数据结构充当分布式共享内存，基于 Gossip 协议传播)向工作蜂群动态注入并更新交互程序(Interaction Program)，实时重编程工作机器人间的吸引/排斥势场参数，从而使蜂群经历流体态(聚集)、可塑态(塑形)与固态(刚体平移)三种行为模式切换，完成任意队形塑造与低畸变平移。研究人员通过理论证明(基于系统能量 Lyapunov 函数分析碰撞规避与平衡收敛)、ARGoS3 物理仿真(50–1000 个工作机器人，三种队形：三叶草 Clover、哑铃 Dumbbell、圆形 Circle)及 6 台 Khepera IV 实体机器人(4 工 + 2 导，Intel RealSense T265 视觉惯性里程计，无外部定位)验证该方法具良好可扩展性，平移畸变小且与仿真结果可比。该研究将蜂群控制从纯物理影响拓展至分布式程序注入层面，为智能材料与靶向给药等需精确颗粒相对位姿的应用提供新范式。

主要关键技术方法：

研究人员采用 Buzz 领域专用语言实现控制逻辑。工作机器人控制基于谐振势(Harmonic Potential) Φ(d_ij?d_ρ)=?k(d_ij?d_ρ)2(a?=0, k=0.02) 产生邻域吸引力(d_ij>d_ρ)与排斥力(d_ij< />_ρ)，引导机器人靠纯排斥响应(Φ?仅正值)。引导机器人通过虚拟共识注入四维交互程序 Π=(ρ, FoV, M∈{loose,shape,rigid}, RFoV) 至工作蜂群。引导机器人状态机含任务分配(单指派 SA 问题，基于距工人质心距离代价的分布式共识)、边缘跟踪(Edge Following，带最近跟随邻点缓存避凹区)、塑形(挤入工群改变拓扑)与平移(刚体模式下沿目标方向推/拉，维持质心距与方位)。仿真用 ARGoS3(Khepera IV 模型，位态通信)，实物用 batman-adv Layer-2 Ad-Hoc 网络+UDP 广播邻域位姿，性能指标含各阶段耗时与归一化畸变度量 D=avg(|‖x_ij(t_f)‖?‖x_ij(t_s)‖|)/D_max。

研究结果

3 Model and System（模型与系统）

研究人员定义双体图 G=(R^W∪R^G, E)，工作机器人仅测相对位置 x_ij与通信邻域 N_i^FoV(距离≤d_FoV)及引导反应邻域 N_i^RFoV(距离≤d_RFoV)。交互程序 Π 四参数分别控制期望间距 d_ρ、工-工作用邻域半径、行为模式(loose=流体均边图可断连；shape=锁定转入时刻邻域集 L、D 允许超 d_FoV断连以塑形；rigid=边一致 Edge-Consistent 图禁止断连作刚体平移)及引导影响半径。给出形成定义：边集 E(t) 在 t? 后全程保持且权重为期望距则称处于队形。经 Lemma 1–3 证明谐振势使工间趋均衡距 d_ρ无碰撞(RFoV 内引导排斥力大于工间力致工退避，引导受质心距势能限深防过度侵入)，系统在无外部扰动且连通图下收敛。

4 Methodology（方法论）

4.1 Worker Swarm（工作蜂群控制律）：工控输入 u_i=α·w_i+β·g_i，w_i=Σ_j∈Ni^FoVΦ'(d_ij?d_ρ)·(x_ij/d_ij) 为队形维持力，g_i=Σ_j∈Ni^RFoVΦ?(d_ij?d_ρ)·(x_ij/d_ij) 为引导排斥响应(α=β=1)。模式切换时 shape/rigid 分别记录转入时邻域索引集与期望距查表以固化连接。

4.2 Guide Swarm（引导蜂群行为与任务）：引导数依目标形状几何特征点定(三叶草4/8/16/32导对应50/100/300/1000工，圆9/17导，哑铃同比三叶草)。引导经去中心化任务分配(Auction/Consensus SA)获塑形角度 θ^s与距质心距 d^s，边缘跟踪绕工群直至达 θ^s，再径向移入至塑形距 d^sp挤入改变工拓扑，Barrier 同步后切 rigid 模式。平移阶段引导控律 u_g,i=α_gg_i+β_gc_i+γ_ga_i：g_i为目标吸引(piecewise harmonic)、c_i为质心距保持(k(d_COM?i?d^sp))·单位向量)、a_i为方位对齐(垂直目标-质心单位向量叉乘 sinθ)，参数 α_g=β_g=γ_g=1。工被动响应局部势与引导排斥被"推"动。

4.3 Theoretical Analysis（理论分析）：构造总能量 J=U(x)+T(v)，两两势 U_ij=∫_dij^d_ρΦ(x?d_ρ)dx ≥0(等号仅 d_ij=d_ρ)，碰撞能 U_collision=∫_δ^d_ρΦ(x?d_ρ)dx >0，证工在 Φ 下被斥离碰撞并收敛至 d_ρ；引近时 U_guide>0 致工退让；引导受 c_i限深平衡不穿透工群质心，参数满足 β_g|c_i| ≥ α_g|g_i|+γ_g时存平衡距，实验中 waypoint 间距≈d^sp满足此条件，轨迹无碰。

5 Experiments（实验）

5.1 Simulation（仿真）：各配置重复30次随机初始化。各阶段耗时：任务分配随导数量单调增(4导≈4s, 16导≈45s)；塑形设置与塑形受形状影响(50/100/300工三叶草/哑铃均值≈260/350/650 s，圆略长)；平移时间圆最短(少修正)，三叶草50/100/300工≈17171/16101/15073 s。归一化畸变 D：三叶草各规模均<0.3且微增；哑铃因两端无导自由摆动畸变大(50/100/300工=0.78/0.69/0.51随规模增大改善)；圆随规模增大畸变上升(0.25/0.4/0.75)。表明该法可扩展且引导位入队形内控畸变。

5.2 Real robots（实物实验）：4工+2导成方形平移1 m，平均完成时间实机≈240 s vs 仿真≈247 s 吻合，实机方差大归因于轮滑、通信延迟、VIO漂移及地面不平，但均值与趋势同仿真。

讨论与结论（翻译）：

研究人员提出一种分层蜂群控制方法，利用大量简单工作机器人与少量智能引导机器人形成并平移指定队形。本工作的核心洞见是引导机器人不仅能对工作机器人施加物理影响，还能动态重编程支配工作蜂群集体行为的交互规则。通过虚拟共识注入控制密度、视野、操作模式及反应范围的参数，引导机器人使蜂群从流体态(聚集)过渡到可塑态(塑形)再至刚体态(平移)。这种可编程性使本方法区别于传统牧羊范式——后者中羊的行为规则固定且牧羊犬仅能通过接近与排斥施加影响。蜂群内交互被设计为基于相对位置的简单局部虚势场。工作机器人作为智能粒子在无全局任务认知下执行角色，引导机器人协调实现期望队形。该分层组织在保留自然蜂群理想属性(可扩展性、故障鲁棒性、适应性)的同时，实现对队形形状与刚度的精确控制。研究人员通过多达1000机器人的大规模仿真(三种图案)证明该方法随蜂群规模扩大具良好可扩展性且平移中维持低畸变；亦在无外部定位条件下用视觉惯性里程计于6台实体机器人蜂群验证，结果与仿真可比。动态重编程交互规则(而非仅物理影响)的能力为超越传统牧羊范式的蜂群控制开辟新可能。本工作所提框架为可编程、分层自组织蜂群奠定基础，在智能材料及纳米医学——需对颗粒相对位置进行功能意义级精确控制——中具有潜在应用价值。