“聚合顆粒機器人”問世！中國科學家研發(fā)集群機器人可編程BOBbots系統(tǒng)，可用于微型機器人集體協(xié)作 | 專訪

“這項成果在未來有望幫助人們隨心所欲地操控物態(tài)變化，就像電影《超能陸戰(zhàn)隊》里的男主角濱田廣發(fā)明的設備一樣，因為固、液、氣三態(tài)轉換本質上就是分子間距離的變化，” 擔心自己剛公布的成果不好描述，佐治亞理工學院李圣愷特意向 DeepTech 舉了一個電影的例子。

該成果主要和群機器人（swarm robot）相關，如下圖，他們研發(fā)的集群機器人可以像螞蟻搬家一樣，推動小盒子。

集群機器人也是仿生學在多機器人系統(tǒng)中應用的典型案列?？茖W家通過觀察蜂群、蟻群等群體的運作模式，發(fā)現(xiàn)了它們可以在不依靠中央控制系統(tǒng)的前提下，僅憑個體之間的局部交互和自組織行為，就能實現(xiàn)全局系統(tǒng)的有序運行。

當人類把這種機制應用于機器人控制上時，就形成了群機器人系統(tǒng)。一種典型的群機器人是微小的膠體機器人，它們可以在戰(zhàn)勝疾病、制造智能紡織品、設計納米計算機等方面發(fā)揮作用。

不過在宏觀上，控制群機器人通常需要依賴大量內存，處理能力和微觀尺度上無法提供的協(xié)調功能，這對機器人硬件層面的算力和通信能力提出了很高的要求，而為了處理復雜的狀態(tài)信息，很難在縮小硬件尺寸上有所突破。

這一點從統(tǒng)計物理學的角度也得到了印證，單個機器人的體積與運算能力（功率達到了熱力學極限）之間存在天然的取舍。

為了提升微觀尺度上的控制能力，佐治亞理工學院的研究團隊近日提出了一種新的控制系統(tǒng)，其中的自主、自制動實體只依靠局部互動，就能推導出宏觀尺度行為，而且無需很強的硬件，也不采用依靠局部互動物理學的傳統(tǒng)計算方法。

研究成果以論文形式發(fā)表于 Science Advances 上，標題為《具有機械誘導相變的活性粘性顆粒物質的編程研究》 “Programming active cohesive granular matter with mechanically induced phase changes”。

事實上，機器人操控只是這項研究的一小部分，其更重要的目標是探索活性物質的結團機制。該研究是首個將計算機編程與結團機制結合起來的嘗試，通過計算機編程的思路去控制結團或分散的過程，讓顆粒物質具備了可編程性。

“我們的新貢獻就是將活性物質的成團機制映射到格子氣體（lattice gas）上，可以更好地分析成團機制隨著時間和吸引力而變化的過程，” 論文第一作者李圣愷對 DeepTech 表示。

具體來說，研究人員首先設計了一種 “自組織粒子系統(tǒng)（self-organizing particle systems，SOPS）” 的理論抽象，在其中設計并嚴格分析特定而簡單的分布式算法，以完成特定目標，同時兼顧了系統(tǒng)的魯棒性和對錯誤的兼容性。

基于此，他們構建了一個新的系統(tǒng)，其中包括具備基本活動能力的 “聚合顆粒機器人”，上面只具備最基礎的光線傳感器，用來測試理論預測是否可以在現(xiàn)實世界中的阻尼驅動系統(tǒng)中實現(xiàn)。他們將這種機器人命名為 BOBbots，以紀念物理學家 Robert “Bob” Behringer。

簡單來說，研究團隊希望證明，通過調整算法參數(shù)和配置，用最簡單的、不加傳感器和通信功能的機器人，只依靠其物理特征（比如磁鐵之間的吸引力），使其在不斷運動中自主結團或分散，最終實現(xiàn)更精準的操控。這樣也可以模擬出活性物質中顆粒的運作模式。

“這些簡單機器人完成的任務超出了預期，” 研究人員表示，“這種互補的方法展示了分布式算法，活性物質和顆粒物理學的整合?！?/span>

SOPS 算法先行

在制造機器人之前，研究人員首先要開發(fā)自組織粒子系統(tǒng)的理論抽象。

盡管許多系統(tǒng)使用粒子間吸引和空間排斥來實現(xiàn)系統(tǒng)范圍內的聚集，并使用粒子間的排斥來實現(xiàn)分散，但是這些方法通常需要遠程感測，并且往往是不嚴格的，缺乏關鍵證據(jù)來保證理想的系統(tǒng)行為。

為了更好地理解群體行為，研究人員開發(fā)的 SOPS 抽象模型允許其定義一個正式的分布式算法并嚴格量化長期行為。

SOPS 中的粒子存在于晶格的節(jié)點（或頂點）上，每個節(jié)點最多有一個粒子，并且沿著晶格邊緣在節(jié)點之間移動。每個粒子都是匿名的（未標記的），僅與占據(jù)相鄰晶格節(jié)點的粒子相互作用，并且無法訪問任何全局信息，例如坐標系或粒子總數(shù)。

模型中的粒子就代表活性物質中的顆粒，也就是之后模擬場景中的機器人，如何讓這些粒子更有效地聚集或分散，就需要完善模型背后的算法。

該 SOPS 算法使用局部運動定義了有限的馬爾可夫鏈，可以將所有簡單連接的粒子配置的狀態(tài)空間連接起來。粒子的分布和運動遵循泊松分布（Poisson Distribution），每個粒子有自己的泊松時鐘，每隔一段時間就會激活一次，其激活時間是一個由泊松分布定義的隨機值。

在激活后，粒子就會隨機選擇一個相鄰節(jié)點移動，選擇節(jié)點的概率由現(xiàn)有和新節(jié)點的相鄰節(jié)點數(shù)量決定，同時還要滿足局部條件，保證粒子配置的相連性。其背后的邏輯可以簡單概括為：讓粒子向擁有更多相鄰節(jié)點的節(jié)點聚集。

不過這套運行邏輯需要粒子之間保持聯(lián)系，而且對計算能力提出了要求，因此他們進一步優(yōu)化了算法，使其可以在粒子斷開聯(lián)系之后也能工作，并且不鼓勵它們遠離有更多相鄰節(jié)點的節(jié)點。

BOBbots，模擬主動聚集的機器人

有了理論抽象和數(shù)學模型后，研究人員開始嘗試用真實的集群機器人進行測試。

他們創(chuàng)造了一套主動聚集顆粒系統(tǒng)，名為 BOBbots，由許多個直徑約 3 公分的小型機器人組成。名字中的 BOB 代表了 Behaving，Organizing，Buzzing，意為行動，組織，嗡嗡的 —— 這些機器人配有振動電機（ERM），光線傳感器和磁珠，底盤上還有小刷子，因此行動起來會發(fā)出嗡嗡聲。

BOBbot 之間的移動和交互旨在捕獲抽象隨機算法的顯著特征，同時用物理形態(tài)和交互替換所有感測，通信和概率計算。每個 BOBbot 都呈圓柱形，底盤上的刷子與振動電機相連，電機引起的振動會通過刷子轉換為運動。

研究人員表示，由于這種推進結構的構造不對稱，機器人主要會沿圓形軌跡移動，這些軌跡在其初始條件下是隨機的，但與 SOPS 模型不同的是，BOBbots 引入了一定的噪聲并且具有一定程度上的確定性，其移動速度約為 4.8 ± 2.0 cm/s。

在模擬成團機制的理論算法中，一條很重要的邏輯是 “阻止粒子遠離有多個相鄰節(jié)點的位置”，實際應用到機器人身上，就需要依靠它們內部的小磁球。這些磁鐵總是會重新定向以吸引附近的機器人。

很顯然，一個機器人附近的機器人越多，其受到的吸引力就越大，那么它與其相鄰機器人分離的可能性就越低。

由于 SOPS 算法的關鍵要素可以由 BOBbot 機器人直觀地展現(xiàn)出來，因此為了測試 SOPS 模型是否可以定量地展現(xiàn)集體動力學，研究人員接下來研究了機器人磁體強度等參數(shù)與其聚合效率的關系。

經過測試和模擬，他們找到了可以控制并主導機器人聚合和分散的參數(shù)。通過調整這些參數(shù)，就可以實現(xiàn)對機器人的控制，使其加速抱團或者一直保持分散。

在此基礎上，研究人員還嘗試控制這群機器人執(zhí)行任務，尤其是 “聚合在一起的機器人能否‘識別’環(huán)境中存在的非機器人（雜質），并協(xié)同將其從系統(tǒng)中驅除？”

這種運行模式類似于自然界中螞蟻協(xié)作運輸食物，但 BOBbot 是通過機械和物理交互來完成集體任務，全局行為的控制無需復雜的通信或計算。

結果表明，通過保持較高的磁力，一群小機器人可以保持物理連接的聚集狀態(tài)，同時有效地排斥系統(tǒng)中的雜物。抱團的 BOBbot 可以不斷隨機重新配置并集合個體的力量，使其整體具備包裹、抓握和驅除雜物的能力。

在實驗中，研究人員放入了盒子和圓盤作為雜物，BOBbot 可以在 12 分鐘之內將其移動 7.9 厘米，對于單體重量僅有 60 克的機器人來說是不錯的成績。

反過來，如果減少磁力，那么它們移動雜物的表現(xiàn)就會變差，進一步證明了算法的可控性。

“這項研究底層 SOPS 模型的理論框架可以進一步泛化，允許放寬其假設條件，只要其動力學保持可逆性并在熱平衡下對系統(tǒng)進行建模，” 研究人員在論文中總結道。

局部隨機算法的魯棒性可以使機器人群體的宏觀行為免受機器人本身的固有特性影響，包括其運動方向的偏移，軌跡的連續(xù)性，以及其速度和磁強度的不均勻性。

更重要的是，由于算法的無記憶和無狀態(tài)性質，即使某些機器人發(fā)生故障或受到環(huán)境干擾，算法也可以在無外部干預的情況下克服故障并持續(xù)收斂。

在實驗中，研究人員展示了如何讓一群機器人推動物體，而這套算法可以拓展到更多需要控制集體行為且對尺寸有限制的應用場景中，包括醫(yī)療領域的納米機器人，用于探索太空的機器人等等。

-End-

參考：

https://advances.sciencemag.org/content/7/17/eabe8494