一群机器人探索策略基于一种改进的随机游走方法

文摘

一个环境可以更有效地搜索如果使用适当的搜索策略。因为个人能力有限群的机器人,即本地传感和处理能力低、随机搜索是主要的搜索策略用于群机器人。最常使用的随机游走方法是布朗运动和利维飞行,这两个模拟群居昆虫的自组织行为。然而,这两种方法都有些有限当应用于群机器人,让机器人搜索重复会导致低效率的搜索。因此,通过分析群机器人探测的特点,提出了一种改进的随机游走方法,每个机器人调整步长自适应来减少重复搜索的数量估计的密度机器人在环境中。与实际机器人进行了仿真实验,实验研究了该方法的有效性和评价其性能的探索任务。本文中给出的实验结果表明,一个区域覆盖更有效地使用该方法比使用布朗运动或利维飞行。

1。介绍

机器人和一个复杂的问题,受到广泛的关注是勘探区域,用于各种任务包括行星探索(1),搜索和救援2,觅食3),和纳米药物输送4]。区域勘探的核心研究问题是如何有效地遍历一个未知的领域。在一个非常大的环境中,只有一个是相对低效的机器人遍历整个地区。相反,应该使用一个探索multirobot方法,和群机器人广泛用于这种类型的勘探领域,因为他们的鲁棒性,灵活性和可伸缩性(5]。大多数现有的搜索方法依赖于精致的系统的传感器(例如,里程表和超声波雷达)和复杂的映射算法(6,7]。然而,群机器人,与他们的个人能力(即有限。,local sensing and low processing power), do not support complex localization and mapping, and instead they generally use a random walk (RW) as the area-exploration strategy. RWs can be divided into two categories, namely, (i) uncorrelated RWs, where the direction moved at each step is completely random, and (ii) correlated RWs, where there is a correlation between successive step orientations [8]。两种类型的RW之间的主要区别是,在相关RW每一步取向是受到之前的方向或方向给定目标。RW方法研究在此主要是指不相关的遥控武器站,最常用的是布朗运动(BM)和利维飞行(低频)。

BM的随机运动粒子悬浮在液体中,和它的结果粒子碰撞与液体的快速分子(9]。这种模式的运动包括粒子随机交变的地位从一个域到另一个地方。BM是连续时间随机过程,通常是由维纳过程描述。因为它是相对容易实现,BM已经广泛应用于机器人随机搜索(10- - - - - -12]。每个机器人被认为是一个粒子的步长是正态分布,每个随机方向的运动是在一个各向同性的。瓦格纳et al。13)使用机器人没有感觉输入的灰色地带的BM;虽然这种方法不是最优,(我)不需要传感器的优点和(2)是相对便宜和宽容。此外,提出了一种新颖的基于BM RW方法改善区域覆盖率,允许每个机器人的运动受到地标安装环境中(14]。

如果是RW沃克可以大旅行的距离通过许多短步骤和偶尔的步长(15]。步长有一个幂律分布,和一个机器人使用低频更可能达到比使用BM的偏远地区。一般来说,寻找一个目标和觅食都可以视为探索任务。在自然界中许多生物的觅食行为类似于低频,如(i)的飞行轨迹信天翁当觅食16,17),(2)果蝇的间歇觅食的飞行轨迹18),(iii)远洋海鸟的飞行轨迹19]。作为Viswanathan et al。20.)指出,当目标网站是稀疏的,可以访问任意数量的时候,飞行长度的平方反比幂律分布,对应于低频,是一个最优策略。当目标网站丰富,简单的布朗运动是足够有效(21]。Fricke等人评价一个低频的搜索策略的有效性,用遗传算法搜索参数和目标之间的关系映射配置(22]。群机器人的探索任务,许多研究低频用作搜索策略来提高搜索效率(SE)。藤泽和Dobata表明,低频搜索策略最大化的SE群机器人通过使用信息素相互通信(23]。施罗德等人提出了一个控制律,结合高效的虚拟信息素和低频区域范围(24]。

尽管勘探任务可以完成使用BM或低频,几个缺陷依然存在。BM更适合局部搜索和低频更适合全局搜索。局部搜索和全局搜索的平衡,Deshpande等人提出了一个控制律有效区域范围的机器人群体之间通过信息素和通过切换自适应BM和低频25]。Sutantyo低频和改善,一个人工势场的势场生成双机器人之间的排斥力,从而分散邻近机器人(26]。Palmieri提议使用加权RW找到多条路径之间的动力障碍提高机器人导航的性能(27]。探索RW方法之间的关系和环境,Dimidov等人一群Kilobots用来寻找一个静态目标在不同的环境中;实验结果显示哪种类型的RW是最适合每个实验场景28]。

所有上述方法取得了一定程度的进步,但仍然存在一些问题。首先,BM和低频主要用于勘探任务由一个机器人。群机器人,机器人并发执行探索任务太多不仅会产生多个实例的物理干扰,也会造成重复搜索,从而显著减少了SE。因此现有的随机搜索方法是低效率的群机器人探索任务。此外,现有方法主要是基于信息素模拟蚁群的觅食行为,但这种方法在实际应用中有很大的局限性。相反,本文提出的是一种改进的RW方法,每个机器人调整步长自适应估计的密度机器人的环境。物理干扰的两个实例之间的平均时间间隔是用来估计机器人密度;时间间隔越短,密度越高。当机器人密度相对较高,每个机器人搜索一个相对较小的地区相对较短的步长;当机器人密度相对较低,每个机器人搜索一个相对较大的地区相对较长的步长。 To maintain a certain minimum distance between any two robots, one robot will turn directly away from another robot if obstacle avoidance occurs between them. Eventually, by adjusting their step sizes adaptively and by controlling their searching directions, the swarm robots become distributed evenly in the environment and each robot searches its own local area, thereby improving the SE.

本文的其余部分组织如下。部分2回顾了古典RW方法和部分3介绍了改进的RW方法。部分4实验报告进行评估改进的RW方法的有效性。最后,部分5给出了结论和未来工作的建议。

2。随机游走方法

当没有可获得环境信息,随机搜索是一个基本的搜索策略对动物和机器人,尤其是对群机器人,个人能力(即有限。,当地的传感和低处理能力)和不支持更复杂的搜索策略。常用的RW方法BM和低频。

2.1。布朗运动

BM描述了随机运动的粒子悬浮在液体中粒子之间的相互作用造成的。BM可以用来指导机器人的随机运动,它已广泛应用于机器人。探索任务,机器人移动之前由给定步长由大英博物馆,然后转到一个方向选择随机的搜索空间。在实践中,BM可以被视为一个连续时间随机过程和维纳过程可以描述的。在数学上,维纳过程特点是以下四个属性:(1) ;(2) 几乎肯定是连续的;(3) 有独立的增量:如果 ,然后和独立随机变量;(4) 高斯增量: ,在哪里表示零的正态分布的期望和方差。

RW由一个机器人,机器人的步长有一个正态分布的期望值和方差为零。展示一个机器人移动RW,在一个固定的地区进行仿真实验。

图1显示机器人的轨迹在给定时间;机器人会搜索在原来的区域,有利于本地搜索,但贫困的全球搜索。图2显示了10个机器人在给定的轨迹;遥控武器站,机器人产生太多的重复搜索,大大减少了SE。

2.2。利维飞行

如果是RW步长有重尾分布的概率分布可以表示如下(20.]: 在哪里的步长。如果生成一个更小的步长与高频,偶尔一个较大的步长。探索任务,这个偶尔较大的步长允许机器人达到全方位的搜索空间来完成全局搜索,而机器人较小的步长会完成本地搜索。

本文采用提出的方法在那年(29日)计算低频步长,即在哪里 ; 和两个正态随机变量与标准差和 ,分别为: 在哪里是伽玛函数。

图3显示一个机器人使用低频可以使用BM比一个更好的完成勘探任务。然而,图4显示,同时拥有多个机器人执行探索任务在许多重复的搜索结果。因此,尽管如果导致更好的搜索,一些问题仍然存在。在实验中,机器人使用红外传感器测量物体的距离可达6厘米。如果机器人与边界之间的距离小于6厘米,然后机器人转向另一个方向避免边界;因此,机器人永远不会相撞的边界。

2.3。其他随机游走方法

改善,一些研究人员提出其他RW的方法。例如,Sutantyo等人提出的组合低频和一个人工势场multirobot探索(26]。如果生成运动的步长,而人工势场提高分散效率在部署过程中通过生成之间的排斥力对机器人驱散邻近的机器人。

大多数其他遥控武器站是基于虚拟信息素作为一种间接的沟通方式对群机器人。当搜索一个环境,一个机器人存款信息素所检测到的其他机器人,连同其相对浓度。在RW,机器人随机方向移动在一个各向同性的。但是,通过使用信息素交流,一个机器人决定将基于信息传达的信息素,从而不仅提高了SE也减少物理机器人之间的干扰。藤泽等人表明,低频搜索策略提高了群机器人的SE通过使用信息素与其他机器人(23,30.]。

然而,RW方法涉及一个人工势场或虚拟信息素在实际应用难以实现。因此,只有基本的遥控武器站(即。,BM and LF) are studied herein and are compared with the proposed improved RW.

3所示。改进的随机游走方法

因为现有RW方法有相对较低的SE和并不特别适合群机器人探索,本文提出了一种改进的RW方法完成这样一个探索任务。

提高SE的最好办法是减少重复搜索的数量。这些可分为两类,即(i)那些由相同的机器人(如图1)和(2)那些由其他机器人(如数字2和4)。关于类别(我),因为一个机器人和一小步大小产生许多重复搜索,这些可以减少的数量增加步长。事实上,图3表明,机器人有一个很大的步长产生更少的重复搜索。关于类别(ii),当许多机器人同时搜索一个环境,BM和低频都产生更多的重复搜索。重复搜索时不可避免的两个机器人很近,可以看到在图2;当这两个机器人之间的距离,一个较大的步长仍然可以产生许多类别(ii)重复搜索,可以看到在图4。减少这样的重复搜索,因此,机器人应保持一定的分离和步长应设置为一个适当的值。通过这种方式,如果群机器人可以均匀分布在环境中,这样每个机器人搜索只当地的区域,将会有更少的重复搜索。

遵循这个思路,提出了一种RW方法所基于的密度机器人在环境中。当机器人密度高,每个机器人应该搜索小面积小的步长;当机器人密度低,每个机器人应该搜索大面积和大的步长。确保每个机器人占据自己的单独的区域,一个机器人,遇到另一个机器人避障发生时相反的方向。通过调整每个机器人和控制的步长避障的方向,该方法不仅分布环境中的机器人均匀,也使他们在本地搜索的自适应步长。

探索任务,环境的面积通常是未知的和机器人的数量可以改变。此外,由于有限的感官能力的群机器人,机器人不能直接计算密度。然而,机器人密度越高,物理干扰的多个实例(例如,避障机器人)之间出现。不幸的是,因为机器人不会相互通信在目前情况下,单个机器人不能评估物理干扰的数量,这是一个全局变量。相反,机器人密度估计的平均时间间隔在物理干扰的两个实例间一个机器人;这个平均时间间隔越小,密度越高的机器人。

在拟议的RW方法中,当一个机器人推进由给定步长或遇到另一个机器人,它计算步长在哪里是机器人应该移动的步长,上次是机器人的步长计算,机器人移动的速度,k(0 <k< 1)是一种调节系数用于调节前一步的贡献大小。的变量是两个实例之间的平均时间间隔的物理推理和用于估计机器人密度在整个搜索区域;随时间变化和避障发生时更新。的变量当前实例的物理推理之间的时间是和上一个,用于估计机器人密度在本地搜索区域。当 ,当地的机器人密度低于全球;在这种情况下,当地的区域包含更少的机器人,因此问题的机器人应该使用一个较大的步长搜索它的面积。当 ,当地的机器人密度高于全球;在这种情况下,当地的区域包含更多的机器人,因此问题的机器人应该使用一个更小的步长搜索它的面积。

当只有一个机器人,提出了RW方法变得简单的线性搜索方法。图5表明,与线性搜索方法,机器人使更少的重复搜索。图6显示了10个机器人的轨迹执行探索任务。

图7表明,通过调整步长自适应,该方法将机器人均匀环境中。随着勘探任务的进行,步骤大小的机器人逐渐收敛。此外,因为每个机器人搜索只当地,有更少的重复搜索。

4所示。实验和结果

4.1。仿真实验

测试的性能提出了RW方法,Webots平台上进行了仿真实验。图8显示了一个模拟界面的截图在仿真实验的开始。评估的有效性提出了RW方法通过比较其结果与BM和低频。每次仿真实验后,使用MATLAB处理图像和计算覆盖率(即。,探索区域总面积的比值)。

充分的比较,我们进行了仿真实验,10、20和30的机器人。每个实验持续了10分钟(600年代),和实验面积与边长平方l= 20.0 m。在每个实验的开始,所有的机器人都放置在中央区域。每个机器人移动的速度v= 0.1 m / s,参数k被设置为0.1。该地区勘探的目的是高效的区域范围,覆盖比率是用来评估该方法的有效性。每个机器人探测范围有限,探测范围内的域被认为只有在机器人的足迹已覆盖过去,足迹被机器人所覆盖的区域。覆盖率是研究区总面积的比值。对于每个RW方法,平均20仿真实验获得的结果平均覆盖率。

数据9- - - - - -11显示与不同的RW方法探索任务的结果。因为BM生成一个相对较小的步长,机器人与BM本地搜索(图中做得很好9),但他们没有达到其他领域,从而产生许多重复搜索,从而减少了。图10表明较大的机器人一步大小达到其他地区减少重复搜索,但群机器人没有成为均匀分布和SE还有待改进。图11表明,该机器人自适应步大小不仅达到了其他领域,也成为环境中的均匀分布。因此,拟议的RW导致更少的重复搜索方法。

表1给覆盖比率的平均值和标准偏差为每个方法不同数量的机器人。在每种情况下,该方法实现了更高的覆盖率,表现明显优于其他RW的方法。此外,每个覆盖率的标准差相对较小,这意味着每三个RW的SE方法是稳定的。


方法	布朗运动		利维飞行		我们的方法

	的意思是	性病。	的意思是	性病。	的意思是	性病。
1	1.10%	9.31×10⁻⁴	4.28%	4.52×10⁻³	5.25%	2.63×10⁻³
10	3.45%	3.47×10⁻³	33.02%	1.11×10⁻²	40.81%	1.10×10⁻²
20.	4.59%	2.91×10⁻³	54.05%	1.35×10⁻²	63.57%	1.13×10⁻²
30.	5.51%	4.17×10⁻³	68.45%	1.07×10⁻²	77.12%	1.59×10⁻²

研究机器人的初始位置如何影响随后的探索任务,我们也跑仿真实验中所有的机器人最初分布式随机环境中。数据12- - - - - -14显示与不同的RW方法探索任务的结果。因为BM在本地搜索,随机分布的机器人的重复搜索(图少了12)。因为较大的步长,几乎没有影响机器人与低频(图13)。通过调整步长自适应,该方法又分布式环境中的机器人一致(图14),也就是说,随机分配机器人最初并不影响该方法的SE。

表2给覆盖比率的平均值和标准偏差为每个方法和不同数量的机器人。该方法仍然达到覆盖率最高的。相比之下,表1,探索任务使用BM获得更高的覆盖率。标准偏差的覆盖率,我们可以得出结论,三个RW方法具有稳定的SE。


方法	布朗运动		利维飞行		我们的方法

	的意思是	性病。	的意思是	性病。	的意思是	性病。
1	1.08%	6.98×10⁻⁴	4.40%	4.30×10⁻³	5.00%	5.71×10⁻³
10	5.38%	4.04×10⁻³	33.59%	1.02×10⁻²	41.34%	1.17×10⁻²
20.	9.73%	4.11×10⁻³	55.54%	1.07×10⁻²	62.77%	1.30×10⁻²
30.	13.72%	6.86×10⁻³	69.34%	9.59×10⁻³	77.59%	1.08×10⁻²

4.2。与实际机器人实验

进一步评估该方法的有效性,我们进行了勘探任务使用e-puck机器人(31日),打开工具,广泛用于群实验。直径6.8厘米,高5.3厘米,每个e-puck机器人配备了(我)八个红外接近传感器检测障碍物,(2)一个CMOS相机寻找对象,(3)一个三维加速度计,(iv)三个麦克风,扬声器(v)。环境设计为1.2米×1.5米的矩形区域,每个机器人移动的速度v= 0.05 m / s。在这些实验中,这将是难以衡量探索区域评估了该方法的有效性。相反,另一种方法是使用,如图15,e-puck机器人搜索对象分散在舞台上。通常情况下,最有效的随机搜索方法是一个,在最短的时间内发现的所有对象。然而,由于这里的目的是测试每个RW的SE方法,每当一个机器人发现一个对象,后者从环境中手动删除。

图16显示与实际机器人实验的照片。一段时间后,机器人在环境中分布几乎一致。在这些实验中,e-puck机器人发现对象相对迅速地在实验的初始阶段,因为有相对许多对象。然而,随着更少的对象,机器人花了更长的时间来找到它们。所有对象被发现与提出RW方法5分钟和7分钟的低频的方法。然而,机器人在本地搜索主要是中间的舞台上使用BM方法由于其小的步长,并花了15分钟找到七个对象。这些实验表明,该方法导致的所有对象被在最短的时间内找到。它因此可以得出结论,BM,低频,和提议的RW方法,后者是最有效的。

5。结论和未来的工作

摘要提出了一种改进的基于密度的RW方法机器人在环境中。每个群机器人调整步长自适应地到达其他领域,和该方法分配机器人均匀环境中减少重复的搜索。实验结果表明,该方法会导致该地区被比与BM或低频更有效率,从而提高SE。

然而,尽管如此,该方法仍然缺乏效率的理论分析。因此未来的工作将以简单明了的方式介绍遥控武器站背后的数学理论和分析从理论上提出了RW方法的效率。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突的退出提交的手稿。

确认

这项工作是由中国国家自然科学基金资助下61573213和61673245,格兰特ZR2017PF008下山东省自然科学基金,国家重点研究和发展计划,中国yfb1300205格兰特在2017和山东省关键在格兰特2016 zdjs02a07研究和发展计划。

引用

美国柯蒂斯,m . Rilee, p .克拉克et al .,“利用群体智慧在航天器星座资源勘探的小行星带,”诉讼的第三国际研讨会上卫星星座和编队飞行,26,2003页。视图:谷歌学术搜索
s . Waharte n . Trigoni s . j . 7月et al .,”与一群无人机协同搜索,”诉讼的传感器、网格和临时通讯和网络研讨会2009年,页1 - 3、意大利。视图:谷歌学术搜索
l . Pitonakova r·克劳德,s·布洛克,“信息流原则可塑性在觅食机器人成群,”群体智慧,10卷,不。1,33 - 63年,2016页。视图:出版商的网站|谷歌学术搜索
美国轻型车Cheang k·李,a a朱利叶斯et al .,“Multiple-robot药策略通过microswimmers协调团队,“应用物理快报,卷105,不。2014年8篇文章ID 083705。视图:谷歌学术搜索
y魏、t . Yasuda和k . Ohkura“自治群体机器人系统的任务分配使用行为分解”智能和进化系统,页469 - 481,施普林格国际出版,可汗,瑞士,2017。视图:出版商的网站|谷歌学术搜索
d . w·西姆斯,a . m . Reynolds n·e·汉弗莱斯et al .,“分层随机漫步在跟踪化石和最优搜索行为的起源,”美国国家科学院院刊》上,卷111,不。30日,第11078 - 11073页,2014年。视图:谷歌学术搜索
f . Ducatelle g·a·迪卡罗a·福斯特et al .,“合作导航机器人成群,”群体智慧,8卷,不。1,1-33,2014页。视图:出版商的网站|谷歌学术搜索
e·a·苹果蠹,m . j .板材和s . Benhamou“随机漫步模型生物,”《英国皇家学会界面,5卷,不。25日,第834 - 813页,2008年。视图:出版商的网站|谷歌学术搜索
答:爱因斯坦,“Ueber死von der molekularkinetischen理论der warme geforderte bewegung冯在ruhenden flussigkeiten suspendierten teilchen,”尤其是物理学,卷322,不。8,549 - 560年,1905页。视图:出版商的网站|谷歌学术搜索
d·w·西姆斯:e·汉弗莱斯r·w·布拉德福德和b·d·布鲁斯,”利维飞行和布朗畅所欲言的捕食者反映不同猎物领域的搜索模式特征,“动物生态学杂志,卷81,不。2、432 - 442年,2012页。视图:出版商的网站|谷歌学术搜索
t·伊”,布朗运动控制应用于宏观组机器人没有相互沟通,”学报》2014年19方法和模型在自动化和机器人技术国际会议(MMAR),第908 - 903页,2014年。视图:谷歌学术搜索
答:a . Munishkin d Milutinović,d . w . Casbeer”安全航行的避碰布朗运动障碍,”2017年美国ASME动态系统和控制会议,美国机械工程师学会,2017年。视图:谷歌学术搜索
中情局瓦格纳、m . Lindenbaum和a . m . Bruckstein”机器人探索、布朗运动和电阻随机化和近似技术在计算机科学,第130 - 116页,1998年。视图:出版商的网站|谷歌学术搜索|MathSciNet
f·马丁内斯,大肠哈辛托,d . Acero,”布朗运动作为自主探索战略群机器人,”学报2012年IEEE机器人和仿生学(ROBIO)国际会议上,第2380 - 2375页,2012年。视图:谷歌学术搜索
诉Zaburdaev s杰尼索夫骑兵连,j . Klafter“征收走,”现代物理学的评论,卷87,不。2、483 - 530年,2015页。视图:出版商的网站|谷歌学术搜索|MathSciNet
g . m . Viswanathan诉gleb stolyarov美国诉Buldyrev et al .,“利维漂泊信天翁的航班搜索模式,”自然,卷381,不。6581年,第415 - 413页,1996年。视图:出版商的网站|谷歌学术搜索
m·g . DaLuz e . p . Raposo h·e·斯坦利et al .,“回顾利维漂泊信天翁的航班搜索模式,大黄蜂和鹿,”自然,卷497,不。7165年,第1048 - 1044页,2007年。视图:谷歌学术搜索
a . m .雷诺兹和m·a·弗莱,”然后气味跟踪果蝇符合最优间歇性无尺度搜索。”《公共科学图书馆•综合》,卷2,不。4 p . e354 2007。视图:出版商的网站|谷歌学术搜索
美国Focardi西西亚和j·g .,”利维飞行觅食假说在远洋海鸟,”动物生态学杂志,卷83,不。2、353 - 364年,2014页。视图:出版商的网站|谷歌学术搜索
通用Viswanathan、美国诉Buldyrev s Havlin et al .,“优化随机搜索的成功,”自然,卷401,不。6756年,第914 - 911页,1999年。视图:出版商的网站|谷歌学术搜索
诉诉Palyulin、a . v . Chechkin和r·麦茨勒“利维航班并不总是为稀疏优化随机盲搜索目标,“美国国家科学与学报》上,卷111,不。8,2931 - 2936年,2014页。视图:出版商的网站|谷歌学术搜索
通用汽车Fricke j.p.检验员,j·l·大炮et al .,“Immune-inspired搜索机器人成群,策略”Robotica,34卷,不。8,1791 - 1810年,2016页。视图:出版商的网站|谷歌学术搜索
r .藤泽和美国Dobata,”Levy走提高集团在pheromone-communicating群机器人,觅食效率”程序的系统集成(他们),2013年IEEE /马夫国际研讨会IEEE,页808 - 813年,2013年。视图:谷歌学术搜索
a·施罗德Ramakrishnan, m·库马尔et al .,“高效空间覆盖率由机器人群体基于蚂蚁觅食模型和利维分布”群体智慧,11卷,不。1,页39 - 69,2017。视图:出版商的网站|谷歌学术搜索
a . Deshpande m·库马尔,Ramakrishnan,”机器人群体的有效区域范围受蚂蚁觅食:自适应切换布朗运动和征税的情况下飞行,”2017年美国ASME动态系统和控制会议,2017年。视图:出版商的网站|谷歌学术搜索
d . k . Sutantyo s Kernbach p·李维et al .,“多机器人搜索算法利用利维飞行和人工势场”《IEEE安全保障和救援机器人,2010年,页1 - 6。视图:谷歌学术搜索
l . Palmieri A . Rudenko和k·o·阿拉斯,”一个快速随机游走方法为机器人导航,找到不同路径”IEEE机器人自动化信,卷2,不。1,第276 - 269页,2017。视图:出版商的网站|谷歌学术搜索
c . Dimidov g . Oriolo诉Trianni,“随机漫步在群机器人:一个实验与kilobots”《国际会议上群体智慧,第196 - 185页,2016年。视图:谷歌学术搜索|MathSciNet
r . n .那年,“快速、准确数值模拟算法的利维稳定的随机过程,”物理卷,49号5,4677年,页1994。视图:出版商的网站|谷歌学术搜索
r·藤泽s Dobata、k Sugawara和f . Matsuno”机器人设计信息素交流群:群觅食行为由化学物质,”群体智慧,8卷,不。3、227 - 246年,2014页。视图:出版商的网站|谷歌学术搜索
f . Mondada m . Bonani x Raemy et al .,“e-puck,机器人设计工程、教育”学报》第九次会议上自主机器人系统和比赛,卷1,59 - 65年,2009页。视图:谷歌学术搜索

机器人杂志

多个自主机器人协调和导航

文摘