面向蚁群启发机器人集群的可扩展自适应多位置觅食算法

单个机器人对于探索大型未映射区域并不有效。一种替代方案是使用简单机器人集群协作，而非单个高能力机器人。中心位置觅食算法（CPFA）对于协调机器人集群搜索与收集任务有效。机器人从中心放置的位置（巢穴）出发，在无全局定位或集中控制的情况下探索区域中的潜在目标，并将目标返回巢穴。CPFA 的可扩展性受限，因为大量机器人会产生更多机器人间碰撞，而大搜索区域会导致可观的行进成本。我们通过多位置觅食算法（MPFA）解决这些问题，其使用分布于搜索区域的多个巢穴。机器人从随机分配的家巢出发，但将发现的目标返回最近的巢穴。我们在机器人模拟器 ARGoS 中模拟机器人集群的觅食行为，并采用遗传算法来发现随着集群规模和目标数量扩展而不同的优化觅食策略。在我们的实验中，对于部分聚类目标分布，与 CPFA 相比，MPFA 总是产生更高的觅食率、更少的碰撞以及更低的行进和搜索时间。本文的主要贡献在于我们系统量化了 MPFA 的优势（减少行进时间与碰撞）、潜在劣势（机器人间通信减少），以及遗传算法调整 MPFA 参数以减轻因通信减少导致的搜索低效的能力。