《Frontiers in Robotics and AI》：Efficient multi-robot exploration using deterministic and metaheuristic methods
编辑推荐：
自主探索是机器人在众多应用中面临的关键挑战。然而，现有方法普遍存在探索速率不足的问题，主要归因于全局覆盖有限和决策频率低下。为缓解这些限制，研究人员提出EMREL（高效多机器人探索），一种旨在实现复杂陌生环境中快速多机器人探索的混合优化方法。该方法实现了确定性
自主探索是机器人在众多应用中面临的关键挑战。然而，现有方法普遍存在探索速率不足的问题，主要归因于全局覆盖有限和决策频率低下。为缓解这些限制，研究人员提出EMREL（高效多机器人探索），一种旨在实现复杂陌生环境中快速多机器人探索的混合优化方法。该方法实现了确定性的协同多机器人探索（CME）公式，将成本和效用值组织为所有机器人共享的前沿信息结构（FIS）。确定性成本与效用首先引导各机器人周围邻近单元的优先级排序。随后，随机优化器（小龙虾优化器）通过改进整体解来增强搜索空间。这表明机器人首先使用确定性方法评估其环境，再在随机算法控制下前进。研究人员在普通地图和复杂地图上评估了所提出的混合技术，并与当代算法进行了比较。仿真结果表明，所提方法在探索速率、时间效率和失败仿真运行次数方面均优于当代算法。这些研究结果证明了EMREL作为机器人探索中一种通用、优越且高效方法的潜力，为多机器人系统设计的潜在发展建立了框架。
一、研究背景与问题
在机器人学研究中，未知环境探索是最具挑战性的任务之一。从灾害救援任务到地外探索，导航和绘制陌生地形的能力对任务成功至关重要。虽然单机器人在受控环境中展现出卓越能力，但未知区域固有的复杂性和不确定性使得多机器人系统的应用成为必要。多机器人探索（MRE）系统通过分布式智能使个体机器人能够共同绘制陌生地形、分担探索任务并提高任务完成率，从而实现并发环境覆盖，缩短任务持续时间并增强对系统故障的抵抗能力。
在多机器人系统中，机器人间协作是影响总体性能的关键因素。高效协作需要实时数据传输以避免碰撞冲突并减少不必要的区域扫描。这种协调通过共享建图框架和自适应路径规划算法实现，使每个机器人能够基于动态环境数据优化其轨迹。尽管MRE具有诸多优势，但在不确定和动态环境中增强多机器人协作仍然是一个挑战性问题。MRE系统的主要挑战在于制定能够优化地形覆盖同时减少冗余遍历和浪费路径选择的探索策略，使其成为一个复杂的多目标优化问题。
现有探索算法可分为确定性和随机性两类。确定性算法在信息不完整、地形特征不可预测、传感器噪声、通信延迟和非线性环境行为的情况下通常无法提供可靠结果。确定性方法的缺点是适应性差、性能脆弱，无法在不确定性下产生稳健行为。元启发式算法采用随机概念，但传统算法精度和收敛率相对较低，容易陷入局部最优问题。此外，现有元启发式算法多用于单机器人应用，其对多机器人配置的影响尚未确定，且在动态和障碍物密集环境中可扩展性和适应性有限。
二、研究内容与结论
针对上述问题，研究人员提出EMREL，一个用于复杂情况下高效多机器人探索的层次化框架。该框架结合两个相互支持的元素：确定性元素基于协同多机器人探索（CME），其成本和效用公式被组织成共享的前沿信息结构（FIS），维护整个机器人团队的占用概率、效用值和前沿标志；随机元素由小龙虾优化器控制，通过作用于FIS暴露的候选单元来预测每个机器人的后续运动，实现对未知环境的稳健探索。研究结果表明，该方法在探索速率、时间效率和失败仿真运行次数方面均优于当代算法，证明了EMREL作为机器人探索中通用、优越且高效方法的潜力。
三、关键技术方法
研究人员采用的主要技术方法包括：第一，协同多机器人探索（CME）框架，这是一种基于前沿的框架，通过候选前沿单元的成本-效用评估来协调多个机器人，单元的效用值在被其他机器人认领时降低，鼓励团队分散到环境中而不是聚集在同一目标；第二，占用栅格地图（OGM），将环境划分为表示空闲、占用或未知概率的离散单元，为前沿区域的发现和评估提供必要结构；第三，小龙虾优化算法（COA），受小龙虾觅食、竞争和夏季避暑行为启发，夏季避暑阶段反映探索阶段，觅食和竞争阶段反映开发阶段；第四，智能初始配置（IIC），通过基于任务距离、技能范围和通信能力等因素智能分配初始配置，使机器人群体从开始就能协调操作。
四、研究结果
确定性方法部分：研究人员详细阐述了CME的数学基础。前沿单元被正式定义为至少与一个未知单元相邻的空闲单元。成本函数根据占用概率、欧氏距离和传感器观测计算每个单元的探索成本，目标是以最低成本确定相邻单元中的最优单元，表示机器人的理想后续位置。效用值衡量栅格地图中每个单元的探索状态，随着机器人导航并到达前沿区域，这些前沿单元的价值降低，使机器人能够通过向效用值较高的单元移动来专注于未探索区域，减少不必要的单元重访。
小龙虾优化算法部分：COA算法从创建小龙虾种群X开始，通过温度变化控制行为切换。当温度超过30°C时，小龙虾表现出避热行为，寻找相对凉爽的环境；当温度低于30°C时，表现出觅食行为。在避热阶段，当随机值低于0.5时，小龙虾进入洞穴避热；当随机值大于等于0.5时，表现出竞争行为。在觅食阶段，小龙虾根据食物大小采用不同策略，食物过大时将其分解为小块交替食用，食物适中时直接前进并立即食用。
五、讨论与结论
研究人员将所提出的EMREL方法与经典和前沿仿真方法进行了比较，结果显示该方法在所有情况下都能在更短时间内完成探索并具有更高的准确性。CME的共享成本和效用值随每次新的传感器观测逐步修改，实现每个机器人的实时决策。将CME与小龙虾优化算法相结合的混合方法增强了覆盖率并避免了未知环境中的局部最优。该方法通过MATLAB仿真和基于ROS的实现使用多个测试场景进行评估。研究结果证明了所提出的小龙虾优化器的高效性，该方法在多个工作区域中表现出高效快速的未知环境探索能力，为多机器人系统设计的潜在发展建立了框架。
