Коробка робот и автомат в чем отличие: Разница между коробкой робот и автомат: 5 основных отличий

Обязательно учите!

• • Назад
  • Бухгалтерский учет
  • Алгоритмы
  • Android
  • Блокчейн
  • Бизнес-аналитик
  • Создание веб-сайта
  • Облачные вычисления
  • COBOL
  • 000 Назад
  000 927
  • 0003 Компилятор
  000 900 900 Дизайн 900 900

  Робототехнические финальные карточки

  Срок (Глава 1) Примером __________ являются машины, которые можно перепрограммировать в соответствии с меняющимися производственными потребностями. A. гибкая автоматизация B. жесткая автоматизация C. искусственный интеллект D. антропоморфные роботы	Определение
  Срок (Глава 1) Интеллектуальный робот использует __________ для обнаружения изменений в рабочей среде. A. человек-оператор B. числовые данные C.датчики D. Ни один из вышеперечисленных	Определение
  Условие (Глава 1) Определение промышленного робота RIA гласит, что это машина, которую можно перепрограммировать, гибкость и _______. A. имеет многофункциональный манипулятор B. умный C. более эффективен, чем человек-оператор D.Все вышеперечисленное	Определение A. Имеет многофункциональный манипулятор
  Термин (Глава 1) Тележка LRMate CERT имеет датчик на дверце рабочей камеры. Когда он активен? A. Каждый раз, когда на тележку CERT B подается питание, только при использовании обучающего пульта C.только когда робот находится в автоматическом режиме D. только при взаимодействии с другим роботом	Определение C. только когда робот находится в автоматическом режиме
  Термин (Глава 1) A (n) __________ — это термин, который изначально использовался для обозначения того, что мы теперь считаем роботом.	Определение
  Срок (Глава 1) Робот, которому могут быть даны новые инструкции для выполнения новых задач, считается __________.	Определение
  Term (Глава 1) A (n) __________ Автоматическая машина специально разработана для конкретных задач на сборочной линии.	Определение
  Срок (Глава 1) Писатель-фантаст Исаак Азимов ввел термин __________, который означает использование роботов.	Определение
  Термин (Глава 1) Робот A (n) __________ имеет человеческий облик.	Определение
  Срок (Глава 1) На обучающей тележке LRMate CERT DCS означает: __________ __________ __________.	Определение
  Срок (Глава 1) EOAT означает _____ _____ _____ _____.	Определение
  Срок (Глава 1) Что означает аббревиатура SCARA?	Определение Селективная совместимая сборка Робот-манипулятор
  Срок (Глава 1) Объясните преимущества и недостатки оборудования для жесткой автоматизации.	Определение Подходит для высокоскоростного производства с повторяющимися движениями. Ориентация на одну задачу ….. что означает бесполезность после изменения продукта.
  Условие (Глава 1) Перечислите три распространенных устройства повышения безопасности, используемых в роботизированной рабочей камере.	Определение Напорные коврики Световые завесы Аварийные остановки Жесткие стопоры
  Срок (Глава 1) Какое правило безопасности номер один для входа в роботизированную рабочую камеру?	Определение Управляйте пультом Teach Pendant.
  Условие (Глава 1) Описать защиту от столкновений для тележки LRMate CERT.	Определение
  Срок (Глава 1) Опишите четыре шага для включения тележки LRMate CERT.	Определение

  Различия между машиной Мили и машиной Мура

  Различия между машиной Мили и машиной Мура

  Предварительные условия — Машины Мили и Мура
  Машина Мили — В теории вычислений машина Мили определяется как машина, выходные значения которой определяются как ее текущим состоянием, так и текущими входами.В этой машине возможен максимум один переход.
  Он имеет 6 кортежей: (Q, q0, ∑, O, δ, λ ‘)
  Q — конечный набор состояний
  q0 — начальное состояние
  ∑ — входной алфавит
  O — выходной алфавит
  δ — функция перехода которая отображает Q × ∑ → Q
  ‘λ’ является выходной функцией, которая отображает Q × × → O

  Схема —

  Машина Мура — Машина Мура в теории вычислений определяется как машина, выходные значения которой определяются только ее текущим состоянием.
  Он также имеет 6 кортежей: (Q, q0, ∑, O, δ, λ)
  Q — конечный набор состояний
  q0 — начальное состояние
  ∑ — входной алфавит
  O — выходной алфавит
  δ — функция перехода которая отображает Q × ∑ → Q
  λ — функция вывода, которая отображает Q → O

  
  

  Диаграмма —

  Машина Мура —
  

  1. Выход зависит только от текущего состояния.
     
  2. Если вход изменяется, то и выход изменяется.
     
  3. Требуется большее количество состояний.
     
  4. Требуется меньше оборудования для реализации схемы.
     
  5. Они медленнее реагируют на входы (на один такт позже).
     
  6. Синхронный вывод и генерация состояния.
     
  7. Вывод размещен в состояниях.
     
  8. Простота конструкции.
     

  Мили-машина —
  

  1. Выход зависит как от текущего состояния, так и от текущего входа.
     
  2. Если вход изменяется, изменяется и выход.
     
  3. Требуется меньшее количество состояний.
     
  4. Для реализации схемы требуется больше оборудования.
     
  5. Они быстрее реагируют на ввод.
     
  6. Генерация асинхронного вывода.
     
  7. Вывод размещен на переходах.
     
  8. Сложно спроектировать.
     

  Вниманию читателя! Не прекращайте учиться сейчас.Получите все важные концепции теории CS для собеседований SDE с курсом CS Theory Course по доступной для студентов цене и будьте готовы к отрасли.

  AI, машинное обучение и глубокое обучение: в чем разница?

  Сегодня нет ничего необычного в том, что люди говорят об искусственном интеллекте (ИИ). Это СМИ, популярная культура, реклама и многое другое. Когда я был ребенком в 1980-х, ИИ изображали в голливудских фильмах, но его использование в реальном мире было немыслимо, учитывая состояние технологий в то время.Хотя у нас нет роботов или андроидов, которые могли бы мыслить как человек или, вероятно, захватили бы мир, ИИ сейчас стал реальностью, и чтобы понять, что мы имеем в виду, когда говорим об ИИ сегодня, мы должны пройти через — быстро Обещаю — знакомство с некоторыми важными условиями.

  AI — это…

  Проще говоря, ИИ — это все, что способно имитировать человеческое поведение. От простейшего приложения — скажем, говорящей куклы или автоматического вызова телемаркетинга — до более надежных алгоритмов, таких как глубокие нейронные сети в IBM Watson, все они пытаются имитировать человеческое поведение.

  Сегодня ИИ — это термин, который широко применяется в мире технологий для описания решений, которые могут учиться сами по себе. Эти алгоритмы способны анализировать огромные объемы данных и находить в них тенденции, тенденции, которые раскрывают идеи, идеи, которые человеку было бы чрезвычайно сложно найти. Однако алгоритмы ИИ не могут мыслить так, как мы с вами. Они обучены выполнять очень специализированные задачи, в то время как человеческий мозг — довольно общая система мышления.

  Рис. 1: Специализация алгоритмов AI

  Машинное обучение

  Теперь мы знаем, что все, что способно имитировать поведение человека, называется ИИ.Если мы начнем сужаться до алгоритмов, которые могут «думать» и давать ответ или решение, мы говорим о подмножестве ИИ, называемом «машинное обучение». Алгоритмы машинного обучения применяют статистические методологии для выявления закономерностей в прошлом человеческом поведении и принятия решений. Они хорошо умеют предсказывать, например предсказывать, если кто-то не выполнит обязательства по запрашиваемой ссуде, предсказывать вашу следующую онлайн-покупку и предлагать несколько продуктов в комплекте или предсказывать мошенническое поведение. Они улучшают свои прогнозы каждый раз, когда получают новые данные.Однако, несмотря на то, что они могут становиться все лучше и лучше в прогнозировании, они исследуют данные только на основе запрограммированного извлечения признаков данных; то есть они смотрят на данные только так, как мы их запрограммировали. Они не адаптируются сами по себе, чтобы по-другому взглянуть на данные.

  Глубокое обучение

  Пройдя еще один шаг, мы можем рассмотреть класс алгоритмов, которые может изучить самостоятельно — алгоритмы «глубокого обучения». По сути, глубокое обучение означает, что эти алгоритмы адаптируются к различным ситуациям или шаблонам данных.Верно, они могут адаптироваться самостоятельно, обнаруживая в данных особенности, на поиск которых мы специально не запрограммировали их, и поэтому мы говорим, что они учатся самостоятельно. Это поведение часто описывают люди, когда в наши дни говорят об ИИ.

  Является ли глубокое обучение новой возможностью?

  Алгоритмы глубокого обучения не новы. Они используют методы, разработанные несколько десятилетий назад. Я инженер-компьютерщик и помню, как программировал алгоритмы глубокого обучения на одном из занятий в университете.В то время моим программам искусственного интеллекта приходилось работать несколько дней, чтобы дать мне ответ, и в большинстве случаев он не был очень точным. Причин несколько:

  • Алгоритмы глубокого обучения основаны на нейронных сетях, которые требуют большой вычислительной мощности для обучения — вычислительной мощности, которой не было, когда я учился в школе.
  • Алгоритмы глубокого обучения требуют большого количества данных для обучения, а у меня тогда не было такого количества данных.

  Итак, хотя концепции существовали, только недавно мы смогли найти хорошее применение глубокому обучению.

  Что изменилось с тех пор? Теперь у нас есть вычислительные мощности, чтобы обрабатывать нейронные сети намного быстрее, и у нас есть тонны данных, которые можно использовать в качестве обучающих данных для питания этих нейронных сетей.

  На рисунке 2 представлена ​​небольшая история ажиотажа вокруг ИИ.

  Рис. 2: Ажиотаж вокруг ИИ начался очень давно

  Надеюсь, теперь у вас есть четкое понимание некоторых ключевых терминов, используемых в обсуждениях ИИ, и хорошее представление о том, как взаимосвязаны и различаются ИИ, машинное обучение и глубокое обучение.В моем следующем посте я подробно расскажу о структуре, которой вы можете следовать в своих усилиях в области ИИ, — так называемой модели ИИ данных, обучения и вывода (DTI). Так что, пожалуйста, следите за обновлениями.

  Между тем, если у вас есть вопросы об искусственном интеллекте в IBM Power Systems или если вы хотите проконсультироваться с опытными техническими специалистами по поводу решения AI для вашего бизнеса, обратитесь в IBM Systems Lab Services.

  AI против машинного обучения: в чем разница?

  Искусственный интеллект и машинное обучение в наши дни так часто смешиваются, что люди могут легко принять их за синонимы.Однако это не совсем так: они наверняка связаны, но на самом деле не взаимозаменяемы.

  «Искусственный интеллект и машинное обучение тесно связаны, поэтому неудивительно, что эти термины используются свободно и взаимозаменяемо», — говорит Билл Брок, вице-президент по разработке Very.

  Если вы еще не используете AI или ML, вы скоро оцените его потенциал для своей организации.

  «ИИ как рабочая нагрузка станет основным двигателем ИТ-стратегии», — недавно сказал нам Дэниел Риек, старший директор AI, Офис технического директора Red Hat.«Искусственный интеллект представляет собой трансформацию развития ИТ-индустрии: клиенты из всех вертикалей все больше внимания уделяют интеллектуальным приложениям, чтобы обеспечить их бизнес с помощью ИИ. Это применимо к любому рабочему процессу, реализованному в программном обеспечении — не только в рамках традиционной деловой стороны предприятий, но также в исследованиях, производственных процессах и, во все большей степени, самих продуктах. Улучшенный масштаб автоматизации, достижимый с помощью ИИ, быстро станет критически важным для повышения конкурентоспособности компании и сделает ИИ технологией, определяющей стратегию.”

  Усовершенствования в области обработки естественного языка и других возможностей на базе искусственного интеллекта помогают организациям переосмыслить чат службы поддержки и анализировать большие пулы неструктурированных данных. Это позволит использовать более предсказательную аналитику, повысить эффективность и улучшить процесс принятия решений.

  [Является ли RPA формой ИИ? Узнайте о различиях: как объяснить роботизированную автоматизацию процессов (RPA) простым английским языком. ]

  Так в чем разница между AI и ML? Начнем с определения терминов.

  Что означает AI?

  «Проще говоря, ИИ — это концепция машин, способных выполнять задачи, которые, по-видимому, требуют человеческого интеллекта», — говорит Брок. «Это включает в себя предоставление компьютерам доступа к массиву данных и предоставление им возможности учиться самостоятельно».

  Машинное обучение — это конкретное приложение или дисциплина ИИ, но не единственное. В машинном обучении, поясняет Брок, «алгоритмы получают данные и просят их обработать без специального программирования. Алгоритмы машинного обучения, как и люди, учатся на своих ошибках, чтобы повысить производительность.”

  В качестве отправной точки для различения ИИ и машинного обучения полезно рассматривать ИИ как более высокоуровневую или зонтичную категорию, охватывающую несколько конкретных технологий или дисциплин, и машинное обучение является одной из них.

  «ИИ включает в себя различные области обучения, включая машинное обучение, NLP (обработку естественного языка), распознавание голоса / звука, компьютерное зрение / распознавание изображений, поиск, маршрутизацию, автономных роботов, автономный транспорт [и другие дисциплины]», — говорит Махи де Силва. , Генеральный директор и соучредитель Amplify.ай.

  Говоря о зонтах, Майкл МакКорт, инженер-исследователь в SigOpt, предлагает сравнение для дождливого дня: «Машинное обучение похоже на спицу, вылетающую из зонтика искусственного интеллекта, с гораздо более конкретным определением».

  Давайте вернемся на секунду: Маккорт отмечает, что ИИ по определению очень широк — это зонтик — настолько, что если вы попросите группу из десяти человек дать свое определение, вы, вероятно, получите десять разных ответов. «Искусственный интеллект — это обобщающий термин без конкретного определения, поскольку он охватывает все механические, роботизированные и автомобильные задачи, которые имитируют человеческие возможности», — говорит Маккорт.

  «Десять лет назад искусственный интеллект означал способность классифицировать изображения».

  Более того, определение ИИ изменилось, и со временем оно будет меняться: «Двадцать лет назад такие инструменты, как проверка орфографии, считались искусственным интеллектом», — отмечает МакКорт. «Десять лет назад искусственный интеллект означал способность классифицировать изображения».

  Что означает машинное обучение?

  Хотя технологии и способы использования машинного обучения могут развиваться, основное определение гораздо более конкретное и конкретное.

  «Модели машинного обучения генерируют результаты на основе сохраненных наборов данных и запросов с целью изучения определенного шаблона», — говорит Маккорт. «Если ответ не был ранее сохранен, машинное обучение анализирует среду, чтобы представить наилучшее предположение о том, какой ответ может быть правильным».

  Том Уайлд, генеральный директор Indico Data Solutions, отмечает, что существует очень актуальная причина, по которой ИИ и машинное обучение используются и путаются одновременно.

  «ML можно рассматривать как современное« состояние »искусственного интеллекта.”

  «Причина путаницы понятна: ML можно рассматривать как современное« состояние искусства »ИИ», — говорит Уайлд. Он добавляет, что помимо проверки орфографии, машинное обучение — одна из старейших и наиболее распространенных дисциплин ИИ. Это также один из самых актуальных вариантов использования на предприятии.

  Понимание разницы между AI и ML — это не просто вопрос разъяснения терминов или снятия раздражения со стороны нетехнических людей, которые просто этого не понимают. Скорее, это залог успеха проектов ИИ.

  «Важно различать ИИ и машинное обучение, так как это критически важно для успешного проектирования, создания, разработки и поддержки приложения или платформы», — говорит Брок.

  Это верно для ваших внутренних знаний и развития навыков искусственного интеллекта; это также верно для оценки и выбора правильных поставщиков.

  Помните, когда к названию каждого продукта внезапно добавлялось слово «облако»? Вы можете увидеть то же самое с AI и ML.

  Страницы

  Границы | Совместная транспортировка объектов в системах с несколькими роботами: обзор современного состояния

  Введение

  В этой статье дается обзор последних исследований в области MRS, нацеленных на сценарий совместной транспортировки объектов.MRS — это роботизированная система, состоящая из более чем одного робота (см. Cao et al., 1997). MRS — многообещающая альтернатива автоматизации задач, которые выходят за рамки компетенции отдельных роботизированных систем. Транспортировка больших объектов, наблюдение за обширными территориями или задачи роботов, которые можно разложить на более мелкие задачи, чтобы их могли выполнять одновременно несколько роботов, — это примеры прикладных областей, особенно подходящих для MRS (Yan et al., 2013). Кроме того, MRS, состоящие из многих, но простых людей, могут быть дешевле в создании и проще в программировании, чем сложные роботы, способные выполнять аналогичные задачи (Farinelli et al., 2004; Цай и Ян, 2012; Ян и др., 2013; Хамис и др., 2015; Jiang et al., 2016). MRS также потенциально более устойчивы к большому количеству аппаратных или программных сбоев; когда один робот выходит из строя или совершает ошибку, другие все еще могут успешно выполнить задачу (Parker, 1998).

  Хотя члены MRS могут быть спроектированы или запрограммированы для конкуренции друг с другом (см. Martín H. et al., 2010), большинство предыдущих исследований изучали, как члены группы могут работать вместе для достижения общей цели ( я.е., сотрудничество). Однако до сих пор научное сообщество не смогло прийти к формальному определению сотрудничества. Для некоторых авторов достаточно называть MRS кооперативом, если его члены разделяют общую цель, даже если они не имеют никакого взаимодействия (Wang et al., 1994; Quinn, 2004). Для других определение сотрудничества более строгое. Предполагается, что MRS взаимодействует только в том случае, если задача робота не может быть сериализована (т. Е. Отдельный робот не может выполнить задачу последовательным образом), и должны существовать определенные механизмы взаимодействия, чтобы роботы могли координировать свои действия, и возможно, дополняют возможности друг друга (см. Kube et al., 1993; Браун и Дженнингс, 1995; Cao et al., 1997; Iocchi et al., 2000; Ян и др., 2013). Лежащий в основе процесс, который обеспечивает совместную работу MRS, обычно называют координацией действий (см. Кубе и Бонабо, 2000; Симмонс и др., 2001; Эмери и др., 2002; Фаринелли и др., 2004).

  Здесь мы впервые представляем исчерпывающий обзор исследований, посвященных одной области приложения; Кооперативный объектный транспорт, термин был придуман в честь (Groß and Dorigo, 2004).Совместные MRS обычно используются, когда объект слишком тяжелый, слишком большой или имеет сложную форму, так что его не может транспортировать один робот. Однако это не строгое требование; не всем членам группы необходимо участвовать в физическом акте транспортировки; переносить или толкать / тянуть объект. Сотрудничество все еще может быть достигнуто, когда один или несколько роботов транспортируют объект, а другие планируют координацию и навигацию транспортеров по желаемой траектории или расчищают путь от препятствий (например,г., см. Habibi et al., 2015).

  Автономные MRS, способные к совместной транспортировке объектов, могут быть чрезвычайно эффективными в различных приложениях, которые имеют высокий потенциал экономического и социального воздействия; например, извлечение и утилизация отходов, разминирование или операции, требующие манипулирования объектами в средах, где прямое вмешательство человека невозможно или непрактично, например, в космосе или в открытом море (Huntsberger et al., 2000; Parker and Zhang, 2006; Woern и др., 2006). Благодаря параллелизму и децентрализованной природе MRS, роботы применяют пространственно распределенные силы (т.е. толкать, тянуть или поднимать в разных местах) вокруг объектов. Физическое разделение и независимые действия различных агентов потенциально могут создать групповую ловкость, которую вряд ли сможет достичь один робот, независимо от его сложности и мощности (см. Brown and Jennings, 1995). Это свойство особенно важно в совместных транспортных задачах, где независимое приложение нескольких толкающих / тянущих сил в разных точках объекта может позволить группе генерировать точные маневры перемещения / поворота, чтобы избежать препятствий во время транспортировки.

  В связи с его актуальностью, совместная транспортировка изучалась в последние годы в ходе исследовательских работ, в которых подробно рассматривались различные аспекты, связанные с координацией и синхронизацией сил, необходимых для инициирования и поддержания транспортировки объектов, которые не могут быть перемещены с помощью одиночный робот. Исследование кооперативного транспорта в MRS продвигается путем изучения и тестирования возможностей множества различных методологических подходов, которые генерируются путем интеграции с различными модальностями различных доступных альтернатив того, что касается методов и приемов для разработки механизмов, лежащих в основе желаемые групповые ответы, средства связи между роботами, транспортные средства, сценарии оценки и т. д.Цель данной статьи — рассмотреть и в то же время предоставить структуру навигации, чтобы упорядочить и критически оценить этот довольно разнородный и быстрорастущий массив литературы. Мы используем довольно грубую систему категоризации, которая различает и упорядочивает исследовательские работы в отношении типа транспортной стратегии, используемой группой для совместного перемещения объекта. Мы считаем, что эта система категоризации представляет собой полезную перспективу для учета научного прогресса, достигнутого с помощью методологически разнообразной литературы, а также для выявления открытых проблем и перспективных направлений дальнейшей работы по улучшению транспортных возможностей MRS.

  Мы рассматриваем и классифицируем исследовательские работы, используя три категории, каждая из которых обсуждается в отдельном разделе:

  1. Стратегия «только толкание» (см. Раздел 2): роботы физически не прикреплены к объекту, и обеспечивается транспортировка. толкая объект.

  2. Стратегия захвата (см. Раздел 3): роботы физически прикреплены к объекту, и транспортировка достигается путем толкания или тяги (или обоих) объекта.

  3. Стратегия размещения (см. Раздел 4): эта стратегия аналогична стратегии «только проталкивание».Роботы распределяются для захвата объекта (т. Е. Клетки), и они плотно удерживают объект во время транспортировки.

  Мы решили разделить стратегии «только проталкивание» и стратегии «клетки», несмотря на то, что они имеют общие характеристики. Это связано с тем, что последний связан не только с транспортировкой объекта, но и с постоянным закрытием объекта. Это дополнительное требование ставит уникальные задачи проектирования, которые влияют на стратегии связи и координации, используемые роботами (см. Hekmatfar et al., 2014). Читатель должен знать, что совместный транспорт также был изучен в MRS, которые по своим характеристикам не подходят ни к одной из наших трех категорий. В частности, совместный транспорт был изучен в группе воздушных роботов (Michael et al., 2011; Bernard et al., 2011), необходимых для перевозки тяжелых предметов с помощью кабелей. Более того, кооперативный транспорт привлек значительное внимание в микромасштабных приложениях, где микророботы (т. Е. Роботы с субмиллиметровыми или меньшими размерами, способные манипулировать микротелами, включая живые клетки) были разработаны для выполнения микроманипуляций и микросборки. такие задачи, как молекулярная доставка к целевым клеткам, минимально инвазивные операции, тканевая инженерия и другие общие приложения для микроманипуляций (Hu et al., 2011; Шахрохи и Беккер, 2016; Рахман и др., 2017). Мы решили исключить из этого обзора эти и другие аналогичные исследования, основанные на транспортных стратегиях, альтернативных стратегии толкания, хватания и заключения в клетку, описанной выше.

  В разделе 5 мы проводим информативную и конструктивную дискуссию о современном состоянии MRS, занимающихся совместным транспортом, что помогает определить цели для интересных будущих направлений исследований. В отличие от других подобных обзорных статей, мы не используем классическую и часто используемую дихотомическую точку зрения, которая различает MRS на те, которые контролируются централизованно, и те, которые контролируются децентрализованно (см. Cao et al., 1997; Bahçeci et al., 2003; Байиндир и Шахин, 2007). Мы считаем, что в контексте кооперативного транспорта использование такой дихотомической точки зрения размыло бы важные методологические детали, которые в значительной степени способствуют индивидуальности и оригинальности каждого отдельного исследования. Мы скорее дополняем структуру обзора, основанную на типе транспортной стратегии, проиллюстрированной выше, ссылками на возможное присутствие любого ключевого элемента в архитектуре MRS, и мы комментируем тип связи, используемый для достижения координации действий между Участники группы.На наш взгляд, ключевой элемент может быть либо членом группы, либо внешним по отношению к группе элементом (например, сервером), который управляет динамикой группы, регулируя некоторые или совокупность действий этих агентов. которые подчиняются его решениям. Когда ключевой элемент является внутренним по отношению к группе, он обычно представлен агентом, который структурно или функционально отличается от других роботов группы (например, лидер). Когда компетенции и вклад ключевого элемента в работу группы не могут быть динамически распределены и, что более важно, перераспределены среди других членов группы, ключевой элемент , несомненно, представляет собой единственную точку отказа. система.Это связано с тем, что выход из строя ключевого элемента неизбежно приводит к выходу из строя всей системы.

  Прежде чем мы начнем, мы хотели бы прояснить несколько моментов. Во-первых, наш обзор в основном посвящен исследованиям с использованием мобильных роботов. Эти роботы обычно различаются по длине тела и способам передвижения (например, роботы на ногах или колесные роботы). Исследования с использованием других типов роботов (например, воздушных и водных роботов, а также микро / макро роботов-манипуляторов) опускаются, если не указано иное.Во-вторых, даже в литературе по мобильной робототехнике имеется большой объем работ, которые невозможно охватить в одной обзорной статье. Поэтому мы стараемся выбрать наиболее репрезентативные исследования, в которых используются различные стратегии транспортировки, координации и контроля. В-третьих, мы определяем четыре термина, которые помогают нам лучше описать различные подходы к MRS: MRS, использующие прямую или косвенную связь, и однородные и гетерогенные MRS. При прямой связи члены MRS отправляют / получают сообщения друг от друга с использованием выделенной сети связи.Сообщения часто передаются в виде текста, звука или света с использованием протоколов беспроводной связи. На основе этих протоколов обмен сообщениями может быть частным (т. Е. Между двумя или выбранными членами группы), локальным (т. Е. Между соседями в непосредственной близости) или глобальным (между всеми членами). При непрямом общении роботам не разрешается явно общаться друг с другом. Вместо этого они неявно общаются, используя объект, который они транспортируют, и / или посредством изменений в среде, в которой они работают.В гомогенных MRS все члены группы идентичны с одинаковыми аппаратными (то есть физическими) и программными (то есть функциональными) конструкциями, тогда как в гетерогенных MRS по крайней мере один член группы физически и / или функционально отличается от других. Однородные группы чаще встречаются в робототехнике роя, подполе области исследований MRS, где роботы имитируют основные характеристики и поведение социальных насекомых, таких как муравьи и пчелы (см. Шахин, 2005). Структурная и функциональная однородность роя роботов вдохновлена ​​генетическим сходством «рабочих» социальных насекомых.Предполагается, что однородность группы сделает группу более масштабируемой по сравнению с ее размером и более устойчивой к индивидуальным сбоям, поскольку в принципе любой робот может заменить любого другого идентичного члена группы. Однородность группы не исключает возможности того, что определенная степень функциональной диверсификации может характеризовать членов группы, при условии, что в течение жизни группы проявляется какая-либо поведенческая специализация, и в принципе она обратима. Сценарии совместной транспортировки объектов часто требуют сложных и разнообразных поведенческих навыков, которые ученые очень часто реализуют, используя структурно и / или функционально разнородные, а не однородные группы.Преимущества и недостатки использования разнородных групп в контексте кооперативного транспорта будут дополнительно обсуждаться в разделе 5.

  Стратегии «только толкание»

  Стратегии «только толкание» — это методы коллективной транспортировки предметов путем приложения к ним толкающих сил. Стратегии этого типа в основном используются роботами, которые не могут тянуть объекты, поскольку у них нет средств для их захвата. Стратегии «только толкание» могут показаться относительно простыми методами совместной транспортировки.Однако помимо проблем, общих для всех транспортных стратегий (например, выравнивание сил, необходимых для запуска транспорта, и т. Д.), Стратегии только с толчком требуют значительной координации действий для поддержания транспорта. Объект может двигаться по очень неэффективной траектории, если роботы тщательно не управляют фрикционными, гравитационными и динамическими силами для стабилизации направления транспортировки. В таблице 1 приведены основные характеристики исследований, рассмотренных в этом разделе.Вообще говоря, стоит отметить, что подавляющее большинство этих работ основано на однородных группах, где контроллер роботов разработан с использованием методологии, основанной на поведении (см. Brambilla et al., 2013, для более подробной информации). Группы, использующие косвенное общение, преобладают над группами, использующими формы прямого общения. Половина исследований рассматривает упрощенные сценарии транспортировки, где проблемы, связанные с начальным выравниванием толкающих сил, решаются путем инициализации роботов очень близко к объекту, обращенных к одной стороне объекта (см. Случайные начальные положения в таблице 1 ).Ниже мы рассмотрим эти работы, подчеркнув цели и достижения.

  Таблица 1 . Основные характеристики исследовательских работ с использованием транспортной стратегии «только толкание».

  Исследование (Kube et al., 1993) можно рассматривать как новаторскую работу, нацеленную на совместную транспортную задачу однородной группы простых роботов, которые могут только толкать объект (т.е. ящик). Это исследование считается первой исследовательской работой, формально представившей «аппаратно» динамику кооперативного транспорта.Авторы демонстрируют, что скоординированные усилия в задаче толкания ящика возможны без использования прямого общения или дифференциации роботов. Группа использует физические взаимодействия между роботами и между роботами и объектом, чтобы инициировать и поддерживать транспорт. В (Kube and Zhang, 1997; Kube and Bonabeau, 2000) авторы развивают модель, описанную в (Kube et al., 1993), с добавлением стратегии восстановления от стагнации. Застой относится к состоянию тупика, в котором роботы нейтрализуют толкающие силы друг друга из-за того, как они расположены вокруг объекта.Авторы также оценивают стратегии группового транспорта с объектами различной формы в сценариях, в которых объекты необходимо транспортировать к движущейся цели.

  Mataric et al. (1995) предлагают использовать прямую связь для улучшения координации однородной группы из двух шестиногих роботов, необходимых для совместной транспортировки прямоугольной коробки к цели. Это исследование, опубликованное во времена разочарования в классической парадигме искусственного интеллекта, призвано продемонстрировать, что задачи, требующие сложной координации действий между физическими роботами, могут быть успешно выполнены без использования роботами какой-либо модели мира и без возможности делать какие-либо прогнозы на основе последствия их действий.Контроллер роботов разработан с использованием методологии, основанной на поведении (Brooks, 1986), и связь используется агентами для обмена показаниями своих датчиков и для реализации протокола очередности. Чтобы облегчить начальное выравнивание толкающих сил, роботы располагаются слева и справа от одной из самых длинных сторон объекта. Результаты показывают, что использование связи и протокола очередности значительно помогает роботам улучшить общую работу группы.

  Герки и Матарич (2002) иллюстрируют действия группы из трех роботов, в которой один элемент группы играет роль наблюдателя, а два других робота — толкателя. Наблюдатель воспринимает объект и цели, и его основная обязанность — вести команду, предоставляя другим роботам информацию о направлении движения. Толкатели толкают кубовидный объект, не замечая конечного пункта, который остается скрытым за коробкой, закрывающей их обзор.Роботы полагаются на прямую форму связи для координации своих действий. Транспортная траектория свободна от препятствий, а роли распределяются с использованием системы на основе аукционов (то есть архитектуры MURDOCH, см. Gerkey and Matarić, 2001). Неоднородной группе удается успешно перемещать объект по прямым и криволинейным траекториям. Система также оказалась устойчивой к отказу одного из толкателей и, в определенной степени, к отказу механизма связи, лежащего в основе взаимодействия наблюдателя и толкача.Однако система в значительной степени полагается на возможности единственного наблюдателя, который действует как ключевой элемент , который собирает сенсорную информацию, отправляемую толкачами, и генерирует групповой ответ, инструктируя толкачей, как двигаться.

  Исследование, проиллюстрированное в (Yamada and Saito, 2001), также задумано в поддержку теоретической перспективной альтернативы классическому ИИ, поскольку его основная цель — продемонстрировать с помощью физических экспериментов с роботами, что задача выбора среды и совместное выталкивание ящиков Задача может одновременно выполняться однородной группой роботов, где агентами руководит реактивный контроллер.В отличие от (Mataric et al., 1995) и (Gerkey and Matarić, 2002), которые выступают за использование прямой коммуникации, результаты, проиллюстрированные в (Yamada and Saito, 2001), демонстрируют, что косвенной коммуникации достаточно для совместной транспортировки объекта к целевая область. Роботы могут работать в простой среде, где отдельные роботы должны толкать световые короба, или в сложных средах, где требуется несколько роботов, чтобы совместно толкать тяжелый ящик. Механизмы, лежащие в основе задачи выбора среды, работают в предположении, что нет движущихся объектов, кроме роботов.Кроме того, предполагается, что во время толкания роботы не испытывают проскальзывания колес даже в тех случаях, когда объект не перемещается под действием толкающих сил. Эти допущения необходимы, чтобы позволить роботам отличать те случаи, в которых коробка достаточно легкая для индивидуальной транспортировки, от тех случаев, когда коробка настолько тяжелая, что требуется совместная реакция.

  Jianing Chen et al. (2015) предлагают альтернативный метод группового транспорта, который использует окклюзию, а не пытается преодолеть налагаемые ею ограничения.Роботы спроектированы так, чтобы толкать объект по той части его поверхности, где он перекрывает прямую видимость цели. В этом исследовании группа из двадцати роботов-электронных шайб (см. Mondada et al., 2009) должна транспортировать цилиндрический объект к цели. Роботы толкают объект только тогда, когда не видят цель. Это простое поведение приводит к перемещению объекта к цели без использования какой-либо формы прямой связи. Авторы также предоставляют аналитическое доказательство эффективности метода, и обсуждаются результаты успешных эмпирических тестов с кубоидными и треугольными объектами.В (Kapellmann-Zafra et al., 2016) стратегия, основанная на окклюзии, обсуждаемая в (Jianing Chen et al., 2015), тестируется в задаче, в которой от роботов требуется транспортировать объект к движущейся цели, представленной еще один робот.

  Исследование, описанное в (Sugie et al., 1995), является одним из первых, посвященных проблеме разработки стратегий, основанных только на проталкивании, в динамической среде, которая включает препятствия. Авторы описывают систему, в которой роботы делают выводы о намерениях других роботов, наблюдая за их поведением и взаимодействуя на основе этих предполагаемых намерений.Камера, размещенная на потолке арены для роботов, сообщает каждому роботу положение всех других роботов, препятствия, коробки, которые необходимо транспортировать, и конечные пункты назначения каждой коробки. Алгоритм, состоящий из планировщика задач, планировщика толкающих действий и функции динамического обхода препятствий, направляет роботов во время выполнения задачи. В этом, как и в других подобных исследованиях, в которых алгоритм управления основывается на общем взгляде на окружающую среду, стратегия группового транспорта, хотя и особенно эффективна для маневрирования объекта в сложной среде с препятствиями, не допускает неисправности, кратной ее количеству. элементы , такие как камера и планировщик задач.

  Ван и де Силва (2006a) рассматривают гетерогенную группу роботов, которая необходима для совместной транспортировки коробки, устраняя препятствия, которые абстрагируют путь к конечному пункту назначения. Авторы предлагают подход, основанный на использовании системы управления силой / движением. В этом подходе используются три различных типа агентов: визуальный агент, который имеет глобальное представление о среде для генерации положений и координат ориентации всех роботов, объекта и препятствий; агент обучения, ответственный за создание планов сотрудничества на основе подхода оптимизации, который объединяет обучение с подкреплением и генетический алгоритм; два физических робота, которые выполняют план, созданный обучающими агентами.План может потребовать, чтобы один робот покинул транспорт, чтобы устранить препятствие / препятствия на пути к конечному пункту назначения. Исследование демонстрирует возможность и эффективность предлагаемого метода с помощью экспериментов с двумя небольшими прототипами роботов. И видение, и обучающие агенты — это ключевых элемента , вклад которых жизненно важен для правильного функционирования MRS.

  Alkilabi et al. (2017) демонстрируют, что эффективная координация действий по инициированию и поддержанию транспортировки тяжелых предметов, которые должны быть перемещены в произвольном направлении, может быть достигнута однородными группами роботов путем использования относительно простой формы косвенной коммуникации, основанной только на возможности воспринимать движения объекта.В этом исследовании физические роботы с электронной шайбой оснащены оптическим датчиком потока, показания которого используются для различения случаев, когда толкающие силы роботов способствуют перемещению объекта, от тех случаев, когда усилия роботов не приводят к каким-либо значительным последствиям. движение объекта. Возможность различать вышеупомянутые два обстоятельства жизненно важна для первоначального выравнивания толкающих сил и для поддержания транспорта. Авторы показывают, что транспортные стратегии масштабируются в зависимости от размера группы и достаточно надежны для работы с коробками различной массы и размера.В дополнительном исследовании, проиллюстрированном в (Alkilabi et al., 2016), авторы дополняют нейроконтроллер роботов, изначально предназначенный для поддержки перемещения объектов в произвольном направлении, механизмами, направленными на перемещение к конкретному целевому местоположению.

  Совместное исследование транспорта, в котором используется непрямая связь через искусственный феромон, описано в (Fujisawa et al., 2013). В этом исследовании группа из десяти роботов может ощущать и наносить на землю летучее спиртовое вещество, которое имитирует действие феромона муравьев во время формирования следов.Задача требует, чтобы роботы выполнили случайный поиск, чтобы найти продукт питания (например, тяжелый объект) и доставить его в нужное место (например, в гнездо). Связь на основе феромонов используется роботами для вербовки других товарищей по гнезду, когда определяется место еды. Результаты показывают, что общение на основе феромонов способствует сокращению времени выполнения задачи по сравнению со случаем, когда роботы полностью зависят от случайной прогулки, чтобы собраться за едой. Исследование также показывает, что общение на основе феромонов эффективно только с относительно небольшим количеством роботов в окружающей среде.Когда используется большая группа роботов, связь на основе феромонов меньше влияет на время завершения, поскольку многие роботы, вероятно, найдут еду и начнут совместную транспортировку до того, как будет сформирован след.

  В (Neumann et al., 2014) алгоритм, работающий на внешнем сервере, управляет группой роботов, необходимых для толкания коробки по прямым и круговым траекториям, заданным экспериментатором. Алгоритм генерирует информацию о том, куда роботы должны приложить толкающие силы, и о величине сил, необходимых для транспортировки коробки.Положение и ориентация роботов и коробки измеряются с помощью сверхшироких полосовых меток, размещенных на роботах, а также на коробке. Показания, генерируемые датчиками силы, и данные относительно положения роботов, генерируемые сверхширокополосной системой, направляются на центральный сервер, который, в свою очередь, вычисляет требуемую скорость роботов и соответственно отправляет команды роботам. Роботы выполняют команды для создания желаемых сил и моментов на объекте, чтобы перемещать его по запланированной траектории.Исследование демонстрирует правомерность предложенного метода с использованием двух роботов Pioneer, оснащенных шарнирным удлинителем датчиков силы. Сервер, на котором выполняется алгоритм управления, представляет собой ключевой элемент , который управляет действиями роботов, отправляя инструкции каждому роботу, используя прямую форму связи, поддерживаемую сетью беспроводной связи. Такой тип прямой связи имеет тенденцию страдать от проблемы масштабируемости, поскольку коммуникационная нагрузка возрастает с увеличением количества роботов.Это может привести к снижению производительности системы или, в крайнем случае, к общему сбою системы. Более того, масштабируемость транспортных стратегий также может быть затруднена из-за проблем, связанных с проектированием сетевых топологий и протоколов связи (см. Cao et al., 1997).

  Сценарий кооперативного транспорта объектов с использованием стратегии «только проталкивание» также использовался в различных исследованиях в качестве эталонной задачи для оценки функциональных характеристик различных политик управления (см. Sen et al., 1994; Паркер, 2000; Тан и Паркер, 2005; Ван и де Сильва, 2006b).

  Стратегии захвата

  Стратегии захвата — это методы, с помощью которых роботы физически прикрепляются к предмету, чтобы иметь возможность коллективно транспортировать его. Таким образом, стратегии захвата могут использоваться только роботами, которые обладают механизмами захвата объекта. Существует множество механизмов, которые позволяют роботу физически подключаться к объекту, некоторые из которых позволяют роботам не только захватывать, но и поднимать объект.По сравнению со стратегиями «только толкание» стратегии захвата обеспечивают лучший контроль над перемещаемым объектом, поскольку после захвата объект можно либо толкать, либо тянуть. Однако стабильные и эффективные стратегии захвата часто требуют, чтобы роботы оптимально распределялись вокруг объекта, чтобы избежать нежелательных эффектов, таких как соприкосновение объекта с землей, или несбалансированное распределение нагрузки между роботами. Чтобы избежать проблем, связанных с эффективным позиционированием роботов вокруг объекта, большинство исследовательских работ, представленных в литературе, сосредоточены на разработке стратегий захвата группами роботов, которые предварительно прикреплены к объекту и оптимально расположены вокруг него. перед началом транспортировки (см. также Таблицу 2).Работа, описанная в (см. Sasaki et al., 1995), является одной из немногих, в которой авторы разрабатывают алгоритм, позволяющий однородной группе роботов находить оптимальное расположение вокруг объекта, который необходимо поднять и транспортировать к конечной точке. пункт назначения. В этом исследовании роботы знают форму объекта. Они оценивают массу объекта и положение центра масс, поднимая объект, и используют эти оценки для оптимального распределения точек захвата вокруг объекта.

  Таблица 2 .Основные характеристики исследовательских работ с использованием захватывающей транспортной стратегии.

  Большинство исследований по совместному транспорту с использованием стратегий захвата полагаются на присутствие робота-лидера для создания желаемой траектории движения объекта. В этих исследованиях не рассматриваются механизмы динамического распределения ролей. Таким образом, лидером можно считать ключевой элемент , при выходе из строя которого вся группа перестает работать. Подход лидер / последователь описан в (Kosuge and Oosumi, 1996), где группа из двух роботов совместно транспортирует длинный кубовидный объект, предварительно прикрепленный к ним с помощью свободных вращающихся соединений.Алгоритм управления требует присутствия робота-лидера, который отвечает за реализацию определенной траектории движения. Последователь поддерживает лидера в перемещении объекта по желаемой траектории, координируя его действия посредством восприятия сил, приложенных к объекту. В (Kosuge et al., 1998) авторы расширяют этот алгоритм, первоначально разработанный и проверенный на голономных роботах с исполнительными механизмами с регулируемой скоростью, на неголономных мобильных роботов, приводимых в движение двумя колесами.В (Takeda et al., 2002) авторы дополнительно улучшают алгоритм управления, добавляя блок предотвращения столкновений, позволяющий роботам транспортировать один объект в более сложных средах с препятствиями.

  Подход лидер / последователь также используется в (Wang and Schwager, 2016) и в (Wang et al., 2016). Ван и Швагер (2016) описывают кинематический контроллер для группы из четырех роботов, в котором лидер робота тянет объект и определяет направление транспортировки, а робот-последователь толкает объект, чтобы выдержать усилие лидера.Модель требует, чтобы роботы заранее имели информацию о коэффициентах трения, массе объекта и общем количестве роботов, образующих группу, чтобы измерить скорость и ускорение в центре масс объекта. Роботы вручную прикрепляются к объекту с помощью фиксированного соединения, устанавливаемого захватом с одной степенью свободы. Изучены три экспериментальные установки с разными типами лидеров (т.е. автономный робот, робот, дистанционно управляемый человеком, и человек-лидер), в то время как характеристики робота-последователя остаются неизменными во всех трех экспериментальных установках.Результаты исследования демонстрируют способность последователей эффективно координировать свои действия со всеми типами лидеров, следуя заданному лидером направлению движения объекта. В (Wang et al., 2016) кинематическое управление, описанное в (Wang and Schwager, 2016), расширено, чтобы позволить группе из четырех специально созданных всенаправленных роботов (например, OuijaBots) транспортировать продольный объект по траекториям, требующим объект, который нужно повернуть, чтобы пересечь узкий коридор.

  Цель исследования, описанная в (Farivarnejad et al., 2016) заключается в разработке контроллеров, которые управляют однородной группой из четырех роботов «Pheeno» (см. Wilson et al., 2016) для коллективной транспортировки прямоугольного груза с желаемой скоростью по прямому пути в заданном направлении. Никаких различий в лидере / последователе не предполагается. Более того, у роботов нет возможности глобальной локализации или связи, и им не хватает информации о динамике полезной нагрузки, количестве роботов в транспортной команде, их распределении вокруг полезной нагрузки и структуре среды.Предполагается, что каждый робот может измерять свою скорость и направление, и ему предоставляется доступ к желаемому целевому направлению движения транспорта. Положение и ориентация роботов по отношению к объекту также известны, поскольку все роботы жестко предварительно прикреплены к объекту. Каждый робот оснащен колесными энкодерами для определения его скорости и компасом для расчета его курса. Результаты демонстрируют способность роботов транспортировать объект по относительно прямым траекториям, параллельным желаемому пути, с некоторым дрейфом, вызванным шумом в измерениях компаса и ошибками в одометрии из-за проскальзывания колес.

  В (Machado et al., 2016) и в (Soares et al., 2007) роботами управляют с помощью архитектуры динамического управления, которая использует динамический подход аттрактора к робототехнике, основанной на поведении (см. Bicho and Schöner, 1997). В самой недавней работе (см Мачады и др., 2016), авторы проверить архитектуру управления на группу из двух физических роботов совместно транспортирующей прямоугольная призма осуществляется на основании опорного полезной нагрузки, способном возвращать подшипник и смещение нагрузки в отношении к центру масс робота.Робот-лидер, оснащенный всенаправленной камерой, генерирует транспортные траектории, чтобы избежать статических и движущихся препятствий, мешающих транспортировке. Результаты исследования показывают, что архитектура динамического управления позволяет разнородной группе мобильных роботов работать в сложных загроможденных средах и успешно транспортировать грузы различной длины и длины.

  Habibi et al. (2014) описывают алгоритм распределенного планирования пути, который позволяет роботам создавать конфигурационное пространство среды распределенным образом.Дерево кратчайшего пути строится с использованием разновидности алгоритма Беллмана-Форда (см. Bang-Jensen and Gutin, 2008). Алгоритм справляется с динамическими препятствиями и изменениями в популяции роботов. Алгоритм успешно протестирован в моделировании, а также на однородной группе физических роботов (см. Habibi et al., 2015), предварительно прикрепленных к нерегулярному объекту. Этот подход требует, чтобы одни роботы выполняли транспортировку, в то время как другие составляли карту окружающей среды, чтобы направлять транспортирующих роботов в направлении цели, избегая препятствий.Хотя этот подход эффективен при выборе оптимальных транспортных траекторий, он требует, чтобы большинство роботов составляли карту окружающей среды, а не выполняли фактическую транспортную задачу. Юфка и Озкан (2015) иллюстрируют другой алгоритм планирования движения для группы однородных роботов, необходимых для транспортировки тяжелого объекта к его конечному пункту назначения. Этот алгоритм требует, чтобы роботы знали свое положение в окружающей среде, а также предполагает, что роботы могут напрямую общаться друг с другом.Сначала создается траектория объекта, а затем каждый робот генерирует свою траекторию, чтобы удовлетворить текущие ограничения формации. Алгоритм успешно протестирован с группами, состоящими из разного количества роботов Pioneer, предварительно прикрепленных к объекту.

  В серии исследований, опубликованных в (Tuci et al., 2006; Groß and Dorigo, 2008; Gross and Dorigo, 2009), рассматривалась конструкция нейроконтроллеров, синтезированных с использованием методов эволюционных вычислений для управления однородными группами роботов, которые не являются требуется предварительно прикрепить к транспортируемому объекту.Роботы могут физически подключаться как друг к другу, так и к объекту. Задача требует, чтобы роботы перемещали объект с помощью захвата, установленного на горизонтальной активной оси, который можно использовать для захвата и подъема объектов (Mondada et al., 2004). Роботы также могут изменять относительную ориентацию колес относительно точки захвата, поворачивая их верхнюю часть корпуса (то есть башню с захватом) относительно шасси, на котором установлены колеса. Результаты этих исследований демонстрируют, что комбинация обратной связи, генерируемой датчиками силы, вращающегося турельного механизма для эффективного выравнивания толкающих / тянущих сил и возможность соединения робота с роботом создают чрезвычайно эффективное решение для транспортировки объектов различной формы. и размеры по отношению к статической и движущейся цели без строгого требования о том, чтобы роботы были предварительно прикреплены к объекту.В (Campo et al., 2006) и в (Ferrante et al., 2010) вышеупомянутая коллективная транспортная стратегия была использована для разработки двух различных алгоритмов согласования общего направления транспортировки роботами, несущими объект к цели. в среде с препятствиями и без них.

  Берман и др. (2011) пытаются имитировать поведение муравьев во время группового транспорта, ища индивидуальные правила, которые генерируют устойчивые реакции на групповом уровне. Авторы наблюдают конкретный вид муравьев (т.e., Aphaenogaster cockerelli ), чтобы извлечь и воспроизвести в моделируемой роботизированной системе те правила, которые управляют индивидуальными действиями муравьев во время поиска пищи, требующей групповой транспортировки. Индивидуальные правила подтверждаются путем сравнения поведения симулированных и реальных муравьев. Другие недавние исследования, в которых используется аналогичный подход, можно найти в (Wilson et al., 2014; Gelblum et al., 2016; Guo et al., 2017).

  В оставшейся части этого раздела мы рассмотрим серию исследований, в которых роботы совместно переносят объект поверх своего тела.Хотя у роботов нет никаких средств для непосредственного захвата объекта, мы рассматриваем их транспортные стратегии как тип стратегии захвата, поскольку роботы выравнивают свои силы и поддерживают транспорт, не теряя физического контакта с объектом, как почти во всех работах в котором роботы используют захватные устройства для физического прикрепления к объекту, который необходимо транспортировать.

  Стилуэлл и Бэй (1993) и Джонсон и Бей (1995) описывают MRS, предназначенную для коллективной транспортировки одного груза на поддоне.Группа смоделированных «муравьеподобных» роботов сначала поднимает, а затем транспортирует предмет, неся его на своих телах. Роботы не требуют априорных знаний о массе поддона, инерции поддона, количестве роботов в группе и их положениях относительно центра тяжести поддона. Координация действий достигается за счет определения сил, приложенных к объекту во время транспортировки жесткого поддона. Чтобы облегчить динамику распределения силы по нагрузке, в исследовании предлагается подход «реактивного ролика», который следует принципам, аналогичным принципам пассивного ролика, когда он выравнивается с направлением движения.Последователи присоединяются к лидеру, ощущая силу реакции, приложенную к их верхней поверхности, с силой, приложенной лидером. В (Bay, 1995) подход реактивного заклинателя успешно оценивается на физических роботах. Любой робот группы потенциально может играть роль лидера или ведомого. Однако никаких механизмов для динамического распределения ролей не предполагается. Подобные исследования, в которых предварительно выбранный лидер управляет траекторией движения объекта, а координация действий достигается за счет физического взаимодействия с объектом, представлены в (Pereira et al., 2002; Loh and Traechtler, 2012).

  Hichri et al. (2016) предлагают алгоритм управления, в котором внешний сервер глобально взаимодействует с роботами для выполнения транспортной задачи. В этом исследовании однородная группа роботов оснащена манипуляторами для захвата и подъема объекта, чтобы поместить его поверх своего тела. Оптимальные положения роботов для обеспечения устойчивости объекта рассчитываются на основе априорных данных о количестве роботов в группе, форме, массе и центре тяжести объекта.Сервер передает информацию о местоположении роботам, чтобы они приблизились к объекту, подняли его и доставили в пункт назначения. Во время переноски объекта роботы сохраняют желаемое положение относительно объекта благодаря глобальному знанию окружающей среды, предоставляемому внешним сервером, направляющим роботов во время транспортировки. Предлагаемый подход подтвержден моделированием. Результаты этого исследования указывают на способность роботов поддерживать устойчивость объекта во время подъема и переноски.Аналогичный подход, основанный на использовании внешнего сервера для координации действий робота, описан в (Wang et al., 1994; Yamashita et al., 2003).

  В (Stroupe et al., 2005) стратегия переноса объектов на телах роботов используется в сочетании с подходом лидер-последователь. Исследование демонстрирует, используя физических роботов, способность захватывать, поднимать, транспортировать и размещать объекты в строительной задаче. Требуется группа из двух марсоходов для управления объектами, чтобы построить простую структуру в лунной среде.Роботы общаются друг с другом, чтобы синхронизировать захват, подъем и размещение объектов при строительстве конструкции. Роботы координируют свои действия, ощущая силы, приложенные к переносимому объекту, с помощью датчика силы-момента, расположенного на их манипуляторах. Последователи координируют свою работу с лидером, регулируя свою скорость на основе обратной связи по силе-крутящему моменту, так что крутящие моменты и силы на манипуляторе остаются в пределах экспериментально определенного порога. Результаты показывают, что команда успешно выполняет строительную задачу с низким уровнем отказов.Другое подобное исследование кооперативного транспорта лидер-последователь с использованием прямой, а не косвенной формы общения можно найти в (Hashimoto et al., 1993).

  Стратегия размещения в клетках

  Совместная транспортировка в клетках является частным случаем ранее описанной стратегии «только толкание», при которой роботы намеренно захватывают объект, чтобы гарантировать, что объект следует за групповыми движениями. В стратегии клетки роботы выстраиваются вокруг объекта, чтобы сформировать «закрытие», которое захватывает объект (Rimon and Blake, 1996).Во время транспортировки необходимо сохранять закрытие, чтобы объект не выскользнул из клетки робота. При совместной транспортировке, основанной на стратегии клетки, форма и размер объекта являются особенно важными характеристиками, поскольку они влияют на минимальное количество роботов, необходимых для окружения объекта.

  Простейшую форму стратегии клетки с небольшим количеством роботов можно найти в (Wang et al., 2004b). В этом исследовании описывается алгоритм управления переменной внутренней силой для управления группой из трех всенаправленных роботов, необходимых для транспортировки кубовидного объекта.Роботы имеют форму куба, поэтому они касаются объекта отрезком линии (а не точкой). Только ведущий толкает объект, в то время как ведомые плотно удерживают стороны объекта, так что не происходит изменения относительного положения и ориентации между объектом и каждым ведомым роботом. Координация роботов достигается простым ощущением результирующей силы, приложенной к объекту, и его движения. Эта форма непрямой связи через объект достаточна, чтобы позволить последователям поддерживать строй и вносить свой вклад в транспортировку, прилагая силы для перемещения объекта по траектории, известной только лидеру.Основным ограничением этого исследования является то, что система не может следовать произвольной траектории, которая включает резкие повороты, особенно при низкой скорости. Подобные примеры использования стратегии клетки с подходом лидер-последователь можно найти в (Wang et al., 2003; Wang et al., 2004a).

  Браун и Дженнингс (1995) предлагают подход толкач-рулевое управление к совместной транспортировке, который аналогичен описанному в (Wang et al., 2004b), но без требования поддерживать тесный контакт с объектом во время транспортировки.Рулевое управление запрограммировано на движение по заранее заданной траектории, в то время как толкатель прилагает необходимые усилия для транспортировки объекта. Объект помещается между толкателем и штурвалом. Во время транспортировки штурман определяет длину пройденной дуги и регулирует ее курс, следуя запрограммированной траектории. Используя непрямую связь, толкатель следует за изменением конфигурации объекта, сохраняя фиксированную ориентацию относительно задней поверхности объекта. Этот подход аналогичен заднеприводному автомобилю, но реализован из двух отдельных частей (т.е., толкатель и штурвал). Этот подход подтвержден экспериментами с использованием двух физических роботов для транспортировки ящиков разного размера и массы по разным путям. Результаты показывают, что роботы могут успешно удерживать клетку, следуя запрограммированной траектории.

  Spletzer et al. (2001) описывают совместную транспортную задачу, в которой стратегия использования клетки достигается с помощью зрения для оценки расстояний и относительной ориентации роботов. В этом исследовании требуется, чтобы лидер-робот и два последователя доставили объект в пункт назначения, известный только лидеру.Последователи поддерживают желаемое расстояние и относительный азимут по отношению к лидеру, чтобы образовать закрытие, которое удерживает объект. Этот подход аналогичен подходу «толкач-наблюдатель», описанному в (Герки и Матарич, 2002) и рассмотренному в разделе 2. В отличие от (Герки и Матарич, 2002), в этом исследовании робот-наблюдатель вносит свой вклад в транспортировку, помещая в клетки. объект с толкателями. Главный недостаток этого метода в том, что всем роботам необходимо поддерживать визуальный контакт друг с другом.

  Pereira et al.(2004) предлагают алгоритм коллективного транспорта с использованием стратегии клетки, которая полагается только на способность роботов оценивать ориентацию объекта и положение их соседей. В этом исследовании три голономных автомобиля-подобных робота должны двигаться в направлении цели, сохраняя при этом формирование, удерживающее треугольный объект. Каждый робот оснащен всенаправленной камерой для оценки ориентации объекта и его положения относительно соседних роботов. Эта информация явно передается между роботами, чтобы дополнить их частичное знание об ориентации объекта и положении других роботов.Алгоритм управления предполагает, что каждый робот имеет воображаемую копию объекта, прикрепленную к нему в исходной точке объекта (то есть в одном из углов объекта). Пересечение этих воображаемых объектов образует область, называемую пространством конфигурации закрытия . Если источник фактического объекта попадает в пространство конфигурации закрытия, то закрытие объекта выполняется, иначе роботы должны корректировать свои положения, чтобы удовлетворить этому условию.

  В более сложном сценарии (Fink et al., 2007) предлагают стратегию клетки для группы роботов, необходимых для транспортировки L-образного объекта по заранее заданной траектории. В этом исследовании роботы локально оценивают закрытие объекта на основе прямого обмена информацией об их положении по отношению к объекту. Управляемые архитектурой подчинения, роботы переключаются с поведения приближения на поведение окружения, когда они приближаются к объекту. При окружающем поведении роботы распределяются вокруг объекта, чтобы сформировать потенциальную клетку.Этот подход требует, чтобы робот знал минимальный диаметр объекта (т. Е. Наименьший зазор, через который может пройти объект), максимальный диаметр (т. Е. Максимальное расстояние между любыми двумя точками в объекте) и радиус окружности клетки. Роботы сообщают свои состояния соседям до тех пор, пока не будет достигнут кворум, то есть когда достаточно роботов окружит объект и все будут готовы инициировать транспортное поведение. Во время транспортного поведения каждый робот регулирует свою скорость в зависимости от положения соседей и желаемой траектории движения объекта.Если по какой-либо причине крышка теряется во время транспортировки, каждый робот возвращается к своему окружению, чтобы продолжить транспортировку. В исследовании подтверждается эффективность подхода с использованием восьми роботов с дифференциальным приводом, оснащенных кодировщиками колес и лазерными дальномерами. Результаты этого исследования показывают стабильность предложенной стратегии клетки в сценарии, в котором роботы успешно формируют закрытие, которое окружает объект, толкая его из начальной позиции в конечный пункт назначения.Позже в (Fink et al., 2008) авторы расширяют этот подход, чтобы позволить роботам работать в более сложной среде, включающей препятствия. Другое исследование, включающее аналогичную стратегию заключения, созданную архитектурой подчинения, описано в (Eoh et al., 2014).

  В (Dai et al., 2016) архитектура управления, основанная на методах нечеткого управления, интегрированных с методом скользящего режима, используется для управления разнородной группой из трех физических роботов, необходимых для коллективной транспортировки, используя стратегию клетки, выпуклый многоугольник. по разным заранее заданным траекториям.У роботов есть некоторые предопределенные знания о форме объекта. Более того, они используют форму прямого общения, чтобы делиться важными деталями восприятия, которые помогают им дополнить свои частичные знания о форме объекта. Робот-лидер управляет транспортировкой, вычисляя расстояние между роботами и требуемый азимут каждого ведомого. Результаты показывают, что архитектура управления позволяет группе перемещать объект по различным предопределенным линейным и криволинейным траекториям, известным лидеру.

  Наконец, основной вклад работы, описанной в (Wan et al., 2017), заключается в тестировании стратегии клетки для транспортировки треугольной призмы к конечному пункту назначения путем пересечения наклонной местности. В этой работе алгоритм управления, выполняемый на главном компьютере, генерирует минимальное количество роботов, необходимое для надежной фиксации объекта, начальное положение каждого робота по отношению к объекту и движение роботов во время транспортировки. Этот метод управления использует прямую форму связи между главным компьютером и роботами, а также использует подробные сведения о положении и ориентации роботов и транспортируемого объекта.Исследование показывает, что смоделированные роботы могут успешно перемещать объекты различной формы и размера по склону местности.

  Обсуждение

  Область исследований, нацеленная на совместный транспорт с помощью MRS, представлена ​​четко сформулированной и разнородной литературой. Мы решили проиллюстрировать эту литературу с помощью системы категоризации, которая различает исследовательские работы на основе типа стратегии, используемой для коллективной транспортировки объекта. В этом разделе мы проиллюстрируем общие закономерности, которые возникают из значительного методологического разнообразия, проиллюстрированного в предыдущих разделах, а также выявим открытые проблемы и перспективные направления для дальнейшей работы.

  Наш обзор показывает, что, независимо от типа используемой транспортной стратегии, определенное функциональное разнообразие среди членов группы кажется неизбежным методологическим признаком, позволяющим роботизированным системам работать в среде с препятствиями, или разрабатывать транспортные траектории, адаптирующиеся к меняющимся условиям окружающей среды. Лидер роботов или наблюдатель за роботами, как в (Герки и Матарич, 2002), обычно поручается руководить транспортом, координируя действия и вклад последователей.Это особенно часто встречающийся образец в тех исследовательских работах, основанных на использовании стратегий захвата, где факт наличия всех роботов, прикрепленных к объекту, облегчает косвенное общение и распределение обязанностей лидером между последователями через механизмы определения силы. В различных исследованиях, использующих подход «лидер-последователь», совместный транспорт используется для работы с объектами, которые из-за своего размера вряд ли могут быть перемещены одним роботом. Однако транспортные стратегии, порождаемые этими разнородными группами, имеют тенденцию быть очень хрупкими по отношению к массе объекта.Это связано с тем, что объект должен быть достаточно легким, чтобы реагировать на силы, действующие со стороны лидера, который часто является единственным роботом, которому поручено инициировать перемещение. Устойчивость по отношению к массе объекта, как правило, легче достигается с помощью транспортных стратегий, разработанных группами, в которых несколько агентов могут способствовать инициированию и поддержанию транспорта. Еще одна особенность, которая имеет тенденцию повышать надежность коллективных транспортных стратегий по отношению к массе объекта, — это возможность для роботов толкать друг друга, как в (Fujisawa et al., 2013; Alkilabi et al., 2017) или толкать и тянуть друг друга, как в (Gross and Dorigo, 2009). В большинстве исследований, которые мы рассмотрели в предыдущих разделах, взаимодействие роботов с роботами исключается за счет использования механизмов управления, предназначенных для предотвращения столкновений роботов с роботами. Однако использование взаимодействий «робот-робот» и «робот-объект» может облегчить начальную координацию действий. Более того, взаимодействие роботов с роботами особенно полезно в случае транспортировки тяжелых и относительно небольших объектов, когда ограниченный периметр объекта не позволяет группе развивать взаимодействия роботов с объектами, необходимые для инициирования и поддержания движения.

  Когда неоднородность системы является отличительной методологической особенностью, которая делает группу способной работать в сложных средах (например, средах с препятствиями), было бы желательно, чтобы распределение ролей или возникновение любой иерархической организации могло быть прямым обрабатываются роботами автономно. Это сделает возможным перераспределение ролей или реорганизацию структуры группы в случае отказа ключевого элемента .Насколько нам известно, помимо работы, описанной в (Gerkey and Matarić, 2002), неоднородность основана либо на структурных различиях между роботами, либо на типе функциональной дифференциации, априори управляемой разработчиком системы. Это означает, что отказоустойчивость часто частично или полностью приносится в жертву для повышения компетенций группы. В будущем было бы интересно увидеть больше исследовательских работ, посвященных проблеме разработки механизмов, позволяющих группе роботов справляться с функциональной неоднородностью путем распределения и, при необходимости, перераспределения важных функций полностью автономным образом.Это позволило бы согласовать отказоустойчивость и групповую компетенцию для разработки MRS, способных выполнять сложные совместные транспортные задачи.

  В разделе 3 мы намеренно включили в категорию стратегий захвата те исследовательские работы, в которых MRS перемещают объекты поверх своего тела, даже если роботы не используют никаких специальных устройств для прикрепления к объекту. Логика этого выбора заключается в том, что для обеих стратегий (т. Е. Захвата и переноски объекта поверх тела) роботы выравнивают свои силы и поддерживают транспорт, не теряя физического контакта с объектом.В то время как для роботов, которые несут объект на своем теле, постоянство физического контакта с объектом в течение всей транспортировки, как правило, является неизбежным следствием того, каким образом роботы должны работать (у этих роботов обычно отсутствует какое-либо захватное устройство. ), для роботов, которые могут захватывать объект с помощью специального захватывающего устройства, физическое соединение в принципе может быть разорвано, в частности, на начальных этапах транспортировки, чтобы облегчить выравнивание толкающих / тянущих сил.Насколько нам известно, подавляющее большинство исследовательских работ, в которых MRS используют стратегии захвата для коллективной транспортировки объектов, касаются роботов, которые предварительно прикреплены к объекту и никогда не отпускают захват во время транспортировки (Tuci et al., 2006; Гросс и Дориго, 2008; Гросс и Дориго, 2009). Условие предварительного прикрепления, безусловно, устраняет большую сложность исследовательских исследований, которые, как правило, сосредоточены на координации действий во время транспортировки, а не на распределении и выравнивании толкающих / тянущих сил для его инициирования.Однако в будущем разработка механизмов, позволяющих роботам использовать как захват, так и освобождение, будет важна не только для автоматизации распределения и выравнивания толкающих / тянущих сил, но и для повышения устойчивости системы к уметь перевозить предметы различной формы. Мы видели, что, за исключением нескольких исследований, большая часть исследований сосредоточена на коллективном переносе прямоугольных объектов (см. Таблицы 1–3). Устойчивость стратегий коллективного переноса по отношению к форме объекта до сих пор была предметом, которым пренебрегали, и его можно было бы дополнительно изучить, исследуя и улучшая те аспекты, которые, как процесс освобождения и захвата, напрямую влияют на него.

  Таблица 3 . Основные характеристики исследовательских работ с использованием транспортной стратегии в клетках.

  Методологические альтернативы для разработки эффективных транспортных стратегий для однородных групп, необходимых для работы в сложных средах, обычно ограничиваются решениями, которые работают только в том случае, если объект, который нужно транспортировать, не закрывает взгляд роботов на конечный пункт назначения или восприятие возможного препятствия. Подход на основе окклюзии, рассмотренный в разделе 2 (см. Jianing Chen et al., 2015) обсуждает алгоритм, который определенно преодолевает вышеупомянутые ограничения и обеспечивает очень эффективное решение, позволяющее однородным группам совместно перемещать объекты в среде с препятствиями. Тем не менее, мы указываем на тот факт, что, насколько нам известно, в подавляющем большинстве рассмотренных исследований первоначальное выравнивание и последующая координация действий зависят от восприятия или окклюзии (объектом, который необходимо транспортировать). ) конечного пункта назначения транспорта (см. Jianing Chen et al., 2015). Это важное предположение имеет тенденцию упростить начальный процесс выравнивания транспортных сил и в значительной степени подрывает устойчивость результирующих стратегий группового транспорта к среде, в которой это предположение не выполняется. Мы считаем, что вышеупомянутое предположение следует отбросить в пользу устойчивости кооперативных транспортных стратегий. Наконец, стоит отметить, что никакая исследовательская работа не была посвящена разработке MRS, которые могут динамически регулировать тип транспортной стратегии (например,g., толкание, хватание или клетка) с учетом характеристик транспортируемого объекта и / или среды, в которой происходит коллективная транспортировка. Это тоже очень интересная тема для будущей работы.

  Выводы

  Мы рассмотрели литературу по MRS, посвященную разработке аппаратного обеспечения и систем управления, позволяющих автономным роботам совместно перемещать объекты, которые не может быть перемещен одним роботом. Мы построили наш обзор на довольно нетрадиционной и относительно «крупнозернистой» структуре категоризации, основанной на типе транспортной стратегии, используемой роботизированными системами для перемещения объектов.С помощью этой структуры мы заказали довольно разнородный корпус литературы по MRS, сосредоточив внимание не только на мотивации и целях, но и на тех отличительных методологических деталях, которые характеризуют вклад каждого отдельного проанализированного исследования. В разделе 5 мы критически рассмотрели общие черты, возникающие при сравнении работ внутри категорий и между ними, и указали на потенциально плодотворные направления будущей работы.

  Мы хотели бы завершить этот обзор краткой ссылкой на кооперативный транспорт в естественных системах.Муравьи развили чрезвычайно эффективные навыки совместного извлечения предметов, которые могут в сотни или даже тысячи раз превышать вес, который может нести человек (Czaczkes et al., 2011). Благодаря кооперативному транспорту муравьи могут быстрее извлекать добычу, уменьшая как подвергание фуражиров хищникам, так и риск того, что пища будет поймана и съедена другими агрессивными видами (Hölldobler et al., 1978; Yamamoto et al., 2009). Быстрый поиск добычи также сокращает время, затрачиваемое рабочими на транспортировку, освобождая их для выполнения других важных для колонии задач (Feener and Moss, 1990; Tanner, 2008).Кооперативный транспорт также снижает энергетические затраты на транспорт, позволяя перевозчикам не отставать от плотного транспортного потока и уменьшая вероятность пробок (Czaczkes and Ratnieks, 2013). Биологи предполагают, что эти сложные реакции на уровне группы подкрепляются простыми поведенческими правилами (Franks, 1986; McCreery et al., 2016). Мы думаем, что важные уроки все же можно извлечь из наблюдения за сложным кооперативным транспортным поведением, которое демонстрируют различные виды муравьев. Затем задача робототехников — преобразовать эти наблюдения в плодотворные принципы проектирования и эффективные методологические решения для разработки надежных, гибких и масштабируемых MRS, которые совместно перемещают объекты.

  Вклад авторов

  Авторы в равной степени внесли вклад в анализ литературы и в написание статьи.

  Финансирование

  Муханад Х. М. Алкилаби финансируется Министерством высшего образования и научных исследований Ирака.

  Заявление о конфликте интересов

  Авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

  Ссылки

  Алкилаби, М., Нараян, А., Лу, К., и Тучи, Э. (2016). «Развитие групповых транспортных стратегий для роботов с электронной шайбой: перемещение объектов к целевой области», в Proc. Междунар. Симпозиум по распределенным автономным робототехническим системам (DARS) , изд. Р. Г. (Германия: Springer).

  Алкилаби, М. Х. М., Нараян, А., Тучи, Э. (2017). Совместная транспортировка объектов с помощью роя электронных шайб-роботов: надежность и масштабируемость разработанных коллективных стратегий. Swarm Intell. 11 (3-4), 185–209. DOI: 10.1007 / s11721-017-0135-8

  CrossRef Полный текст | Google Scholar

  Bahçeci, E., Soysal, O., and ahin, E. (2003). Обзор: формирование и адаптация паттернов в системах с несколькими роботами . Питтсбург, Пенсильвания: Институт робототехники, Университет Карнеги-Меллона.

  Банг-Дженсен, Дж., И Гутин, Г. (2008). Орграфы: теория, алгоритмы и приложения , второе изд. Германия: Springer.

  Бэй, Дж.С. (1995). Конструкция кооперативного подъемного робота «армия-муравей». Робот IEEE. Автомат. Mag. 2 (1), 36–43. DOI: 10.1109 / 100.388293

  CrossRef Полный текст | Google Scholar

  Байиндир, Л., и Шахин, Э. (2007). Обзор исследований по роевой робототехнике. Турецкий журнал электротехники и компьютерных наук 15, 115–147.

  Берман, С., Линдси, К., Сакар, М.С., Кумар, В., и Пратт, С.С. (2011). Экспериментальное исследование и моделирование группового поиска у муравьев как подхода к коллективному транспорту в роботизированных системах роя. Proc. IEEE 99 (9), 1470–1481. DOI: 10.1109 / JPROC.2011.2111450

  CrossRef Полный текст | Google Scholar

  Бернар М., Кондак К., Маза И. и Оллеро А. (2011). Автономная транспортировка и развертывание с помощью воздушных роботов для поисково-спасательных операций. J. Field Robotics 28 (6), 914–931. DOI: 10.1002 / rob.20401

  CrossRef Полный текст | Google Scholar

  Бичо, Э., Шёнер, Г. (1997). Динамический подход к автономной робототехнике продемонстрирован на платформе низкоуровневого транспортного средства. Роб. Auton. Syst. 21 (1), 23–35. DOI: 10.1016 / S0921-8890 (97) 00004-3

  CrossRef Полный текст | Google Scholar

  Брамбилла, М., Ферранте, Э., Бираттари, М., и Дориго, М. (2013). Робототехника роя: обзор с точки зрения инженерии роя. Swarm Intell. 7 (1), 1–41. DOI: 10.1007 / s11721-012-0075-2

  CrossRef Полный текст | Google Scholar

  Brooks, R. (1986). Надежная многоуровневая система управления мобильным роботом. IEEE J. Робот. Автомат. 2 (1), 14–23. DOI: 10.1109 / JRA.1986.1087032

  CrossRef Полный текст | Google Scholar

  Браун Р. и Дженнингс Дж. (1995). Модель толкателя / рулевого управления для тесного взаимодействия с мобильным роботом. В Proc. из IEEE / RSJ Int . конф. по интеллектуальным роботам и системам. Взаимодействие человека-робота и кооперативные роботы 3, 562–568.

  Цай Ю. и Ян С. (2012). «Обзор систем с несколькими роботами», в IEEE World Automation Congress (WAC) , Vol.2012 1–6.

  Кампо, А., Нуян, С., Бираттари, М., Гросс, Р., и Дориго, М. (2006). «Согласование целевого направления для кооперативного транспорта», в Международном семинаре по оптимизации колоний муравьев и разведке роя , ред. М. Дориго, Л. Гамбарделла, М. Бираттари, А. Мартиноли, Р. Поли и Т. Штютцле 191– 202.

  Цао Ю. У., Фукунага А. С. и Канг А. (1997). Кооперативная мобильная робототехника: предшественники и направления. Auton. Роботы 4 (1), 7–27. DOI: 10.1023 / А: 1008855018923

  CrossRef Полный текст | Google Scholar

  Czaczkes, T. J., Nouvellet, P., and Ratnieks, F. L. W. (2011). Кооперативный транспорт пищи у неотропических муравьев, Pheidole oxyops . Insectes Soc. 58 (2), 153–161. DOI: 10.1007 / s00040-010-0130-1

  CrossRef Полный текст | Google Scholar

  Czaczkes, T., and Ratnieks, F. (2013). Кооперативный транспорт у муравьев (перепончатокрылых: Formicidae) и в других местах. Myrmecological News 18, 1–11.

  Дай Ю., Ким Ю., Ви С., Ли Д., Ли С. и С. Ли. (2016). Формирование симметричной клетки для транспортировки выпуклых полигональных объектов несколькими мобильными роботами на основе управления нечетким скользящим режимом. ISA Trans. 60, 321–332. doi: 10.1016 / j.isatra.2015.11.017

  PubMed Аннотация | CrossRef Полный текст | Google Scholar

  Эмери Р., Сикорски К. и Балч Т. (2002). «Протоколы для сотрудничества, координации и динамического назначения ролей в команде роботов», в Proc.IEEE Int. Конф. по робототехнике и автоматизации (ICRA) , Vol. 3 3008–3015.

  Eoh, G., Lee, S. -H., Lee, T. -S., И Lee, B.H. (2014). Распределенная транспортировка объекта с помощью виртуального объекта. JIII 2 (1), 20–25. DOI: 10.12720 / jiii.2.1.20-25

  CrossRef Полный текст | Google Scholar

  Farinelli, A., Iocchi, L., and Nardi, D. (2004). Системы мультироботов: классификация, ориентированная на координацию. IEEE Trans. Syst. Человек Киберн. B Cybern. 34 (5), 2015–2028. doi: 10.1109 / TSMCB.2004.832155

  PubMed Аннотация | CrossRef Полный текст | Google Scholar

  Farivarnejad, H., Wilson, S., and Berman, S. (2016). «Децентрализованное управление скользящим режимом для автономного коллективного транспорта с помощью систем с несколькими роботами», в Proc. конференции IEEE Decision and Control Conference (CDC) 1826–1833.

  Финер Д. и Мосс К. Г. (1990). Защита от паразитов у муравьев-листорезов автостопом: количественная оценка. Behav. Ecol. Sociobiol. (Распечатать). 26 (1), 17–29. DOI: 10.1007 / BF00174021

  CrossRef Полный текст | Google Scholar

  Ферранте, Э., Брамбилла, М., Бираттари, М., и Дориго, М. (и др., 2010). «Социально-опосредованные переговоры об избежании препятствий в коллективном транспорте», в Proc. Int. Симпозиум по распределенным автономным робототехническим системам , Vol. 83, ред. А. Мартиноли, Ф. Мондада, Н. Коррелл, Г. Мермуд, М. Эгерштедт, М. Шей, Л. Паркер, К.Stöy., Et al. (Германия: Springer), 571–583.

  Финк, Дж., Се, М., и Кумар, В. (2008). «Манипуляции с несколькими роботами с помощью клетки в среде с препятствиями», в Proc. IEEE Int. Конф. по робототехнике и автоматизации (ICRA) 1471–1476.

  Финк Дж., Майкл Н. и Кумар В. (2007). «Композиция векторных полей для управления несколькими роботами через клетку», в In Proc. конф. Робототехника: наука и системы , Vol. 3.

  Франк, Н. Р. (1986).Команды социальных насекомых: групповой поиск добычи армейскими муравьями (Eciton burchelli, Hymenoptera: Formicidae). Behav. Ecol. Sociobiol. (Распечатать). 18 (6), 425–429. DOI: 10.1007 / BF00300517

  CrossRef Полный текст | Google Scholar

  Fujisawa, R., Imamura, H., and Matsuno, F. (2013). «Совместная транспортировка роем роботов с использованием феромонной связи», в Proc. ИНТ. Симпозиум по распределенным автономным робототехническим системам (DARS) . Германия: Springer, 559–570.

  Гельблюм, А., Пинковецкий, И., Фонио, Э., Гов, Н. С., Фейнерман, О. (2016). Возникающие колебания помогают преодолевать препятствия во время совместной транспортировки муравьев. Proc. Natl. Акад. Sci. США 113 (51), 14615–14620. doi: 10.1073 / pnas.1611509113

  PubMed Аннотация | CrossRef Полный текст | Google Scholar

  Герке Б. и Матарич М. (2002). «Pusher-watcher: подход к отказоустойчивой координации тесно связанных роботов», в Proc.Международной конференции IEEE по робототехнике и автоматизации (ICRA) , Vol. 1 464–469.

  Герке, Б., и Матарич, М. (2001). «Принципиальная коммуникация для динамического распределения задач с несколькими роботами», в Experimental Robotics VII , ред. Д. Рус и С. Санджив (Германия: Springer), 353–362.

  Гросс Р. и Дориго М. (2009). К групповому транспорту роями роботов. IJBIC 1 (1/2), 1–13. DOI: 10.1504 / IJBIC.2009.022770

  CrossRef Полный текст | Google Scholar

  Groß, R., и Дориго, М. (2008). Эволюция индивидуального и группового транспортного поведения автономных роботов, способных к самосборке. Адапт. Behav. 16, 285–305.

  Гросс Р. и Дориго М. (2004). «Совместная перевозка предметов различных форм и размеров», в Proc. Междунар. Практикум по оптимизации муравьиных колоний и разведке роя , Vol. 3172, ред. М. Дориго, М. Бираттари, К. Блюм, Л. М. Гамбарделла, Ф. Мондада и Т. Штюцле (Германия: Springer), 106–117.

  Го, С., Ван, М., Нотман, Г., Чанг, Дж., Чжан, Дж., И Ляо, М. (2017). Моделирование коллективного транспорта виртуальных муравьев. Comput. Анимат. Виртуальные миры 28 (3-4): e1779. DOI: 10.1002 / cav.1779

  CrossRef Полный текст | Google Scholar

  Habibi, G., Kingston, Z., Xie, W., Jellins, M., and McLurkin, J. (2015). «Распределенная оценка центроидов и контроллеры движения для коллективного транспорта с помощью систем с несколькими роботами», в Proc. IEEE Int.Конф. по робототехнике и автоматизации (ICRA) , изд. A. O 1282–1288.

  Хабиби, Г., Се, В., Джеллинс, М., и МакЛуркин, Дж. (2014). «Распределенное планирование пути для коллективного транспорта с использованием однородных систем с несколькими роботами», в Proc. Междунар. Симпозиум по распределенным автономным робототехническим системам (DARS) , ред. М. А. Хсие и Г. Чирикджян (Германия: Springer), 151–164.

  Хашимото, М., Оба, Ф., и Эгучи, Т. (1993). «Подход к динамическому управлению для координации движений нескольких колесных мобильных роботов, транспортирующих один объект», в Proc.IEEE / RSJ Int. Конф. по интеллектуальным роботам и системам (IROS) , Vol. 3 1944–1951.

  Hekmatfar, T., Masehian, E., and Mousavi, S.J. (2014). «Совместная транспортировка объектов несколькими мобильными манипуляторами через иерархическую архитектуру планирования», в Second RSI / ISM Int.