加州理工學院的工程師們設計了一種新的數據驅動方法來控制多個機器人在雜亂、沒有地圖的空間中的移動，這樣它們就不會撞到一起。
多機器人運動協調是一個基本的機器人問題，其應用范圍廣泛，從城市搜索和救援，到自動駕駛車隊的控制，再到混亂環境中的編隊飛行。兩個關鍵的挑戰使得多機器人的協調變得困難:第一，機器人在新環境中移動，必須在沒有完整的未來路徑數據的情況下對其軌跡做出瞬間判斷;其次，環境中大量機器人的存在使得它們之間的交互變得越來越復雜(也更容易發生碰撞)。
為了克服這些挑戰， 他們開發了一種多機器人運動規劃算法稱為“全球性和地區性的安全自治合成,”或格拉斯,模仿一個完整信息規劃師只有本地信息,還有“神經蜂群”(neuralswarm)，一種蜂群跟蹤控制器，能夠學習近距離飛行中復雜的空氣動力學交互作用。
Chung說:“我們的工作顯示了一些有前景的結果，可以克服傳統黑箱人工智能(AI)方法在使用GLAS進行群運動規劃時存在的安全性、魯棒性和可擴展性問題，以及使用神經群對多架無人機進行近距離控制。”
當使用GLAS和Neural-Swarm時，機器人不需要對它所經過的環境或它的同伴打算走的路徑有完整和全面的了解。相反，機器人在飛行中學習如何在空間中導航，并在進入“學習模型”進行運動時吸收新信息。由于群體中的每個機器人只需要其局部環境的信息，因此可以進行分散計算;從本質上說，每個機器人都是自己“思考”的，這使得擴大蜂群的規模變得更容易。
“這些項目展示了將現代機器學習方法集成到多智能體規劃和控制中的潛力，也揭示了機器學習研究令人興奮的新方向，”Yue說。
為了測試他們的新系統，Chung s和Yue的團隊在多達16架的四旋翼無人機上實施了GLAS和神經蜂群，并在加州理工學院自主系統和技術中心(CAST)的露天無人機競技場內放飛。研究小組發現，GLAS在很多情況下比目前最先進的多機器人運動規劃算法高出20%。同時，Neural-Swarm明顯優于不考慮空氣動力學交互作用的商業控制器;跟蹤誤差是衡量無人機在三維空間中如何定位和跟蹤所需位置的關鍵指標，使用新控制器后，跟蹤誤差減小了四倍。
他們的研究發表在最近發表的兩項研究中。5月11日，Chung, Yue, Riviere和Honig在IEEE Robotics and Automation Letters上發表了GLAS:基于端到端學習的多機器人運動規劃的全球到本地安全自治綜合。《神經群:使用學習交互的分散近距離多轉子控制》由Chung, Yue, Shi和Honig發表在6月1日的《IEEE機器人與自動化國際會議論文集》上。該研究得到了雷神公司的支持;還有噴氣推進實驗室，加州理工學院為NASA管理。
?