基于位置的群聚以实现稳健对齐.pdfVIP

AcceptedforThe9thInternationalSymposiumonSwarmBehaviorandBio-InspiredRobotics

2025.

基于位置的群聚以实现稳健对齐

HosseinB.Jond

DepartmentofCybernetics,CzechTechnicalUniversityinPrague,Prague,Czechia

Abstract.本文提出了一种基于位置的群集模型，用于交互代理之间的操作，通过平衡凝聚-分

离与对齐来实现稳定的集体运动。该模型通过使用初始和当前位置来近似速度差异，并引入阈

本值权重以确保持续对齐，从而修改了基于位置-速度的方法。在2D中使用50个代理进行的模

译拟表明，基于位置的模型产生的对齐更强，并且与基于位置-速度的模型相比，形成了更加刚性

中和紧凑的形式。对齐度量和分离距离突出了所提出的模型在实现稳健群集行为方面的有效性。

2该模型使用的位置确保了稳健的对齐，在机器人学和集体动力学中具有应用价值。关键词：对

v

8齐，凝聚，群集，分离。

7

3

41介绍

0

.

8

0集群行为，在自然系统中如鸟群、鱼群和昆虫群落中观察到，代表了涌现集体动力学的一

5个迷人示例[1]。这些系统展示了在没有集中控制的情况下通过个体之间的局部相互作用而产

2

:生的协调运动。理解和复制此类行为对于人工系统的应用具有重要意义，包括机器人技术、自

v

i主车辆的协同以及群体智能[2]。

x

r早期的群集模型，如Reynolds的Boids模型[1]，引入了三个核心规则：凝聚（保持靠近

a

邻居）、分离（避免碰撞）和对齐（匹配速度）。这些原则启发了许多数学和计算模型来捕捉集

体运动的动力学特性[3],[4],[5]。例如，Vicsek模型专注于通过局部速度平均来进行对齐，展示

了从无序到有序运动的相变。然而，这些模型通常依赖于速度信息，在机器人系统中难以直接

测量，或者由于传感器噪声而需要进行容易出错的估计[6],[7]。因此，仅基于位置数据的群集

对于实现稳健协调既实用又重要。

基于位置的群集模型已经出现，以解决这些问题，使用相对位置来推断交互规则，从而

减少对速度数据的依赖[8]。这些模型特别适用于那些位置传感更为可行的系统，例如装备了

GPS的无人机或传感器网络[2]。基于位置的方法通常会结合势能函数以平衡吸引和排斥作用，

确保稳定的形式结构。在机器人多智能体系统(MAS)中，人们更倾向于使用这些方法，因为

1

它们简单、健壮，并且在基于感知和基于通信的系统中都能高效运行。它们利用直接的位置测

量来最小化计算和通信需求，同时提高可扩展性和容错性。

队形保持仍然是集群中的关键组成部分，因为它推动了代理之间的速度共识[4]。基于位

置的对齐规则通过使用采样位置数据近似速度差异，在嘈杂环境中增强了鲁棒性并减少了通信

带宽。对于二阶多智能体系统，已经证明利用采样或相对位置数据可以实现共识，即使没有直

接的速度测量或通信[9],[10]。时变拓扑进一步复杂化了共识问题，然而基于位置的规则可以在

强连通网络下确保协调[11]。

本文基于先前的研究，提出了一种基于位置的群集模型，修改了[12]的位置-速度基础框

架。与它的位置-速度基础对应模型[12]一样，我们的模型引入了一种最小化、分布式的可扩

展的位置基础方法用于机器人MAS。通过使用初始和当前的位置来近似速度差异并引入一个

阈值权重，该模型确保了鲁棒的对齐和紧凑的编队。接下来的部分详细介绍了模型公式、数值

模拟以及与基于位置-速度的方法进行比较，展示了在实现稳定群集行为方面的性能提升。

2从位置和速度状态形成f