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，用于相互作用的代理，通过平衡凝聚-分离和

对齐来实现稳定的集体运动。该模型通过对初始位置和当前位置进行近似以估计速度差异，并

本引入一个阈值权重来确保持续对齐，从而修改了基于位置-速度的方法。在2D空间中使用50

译个代理进行的模拟表明，与基于位置-速度的模型相比，基于位置的模型产生了更强的对齐和

中更刚性和紧凑的队形。对齐度量和分离距离突显了所提出的模型在实现稳健群集行为方面的有

2效性。该模型通过利用位置确保了鲁棒性对齐，在机器人技术和集体动力学中具有应用前景。

v

8关键词：对齐，凝聚，群集，分离。

7

3

41介绍

0

.

8

0集群行为，在鸟类群、鱼群和昆虫群等自然系统中观察到，代表了一个迷人的涌现集体动

5力学示例[1]。这些系统表现出在没有集中控制的情况下协调运动，由个体之间的局部相互作

2

:用驱动。理解和复制这种行为在人工系统中的意义重大，对于机器人技术、自动驾驶车辆的协

v

i调和群体智能[2]具有重要意义。

x

r早期的集群模型，如Reynolds的Boids[1]，引入了三条核心规则：聚合（靠近邻居）、分

a

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[3],[4],[5]。例如，Vicsek模型专注于通过局部速度平均实现对齐，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，在机器人系统中直接测量这很困难，或者

由于传感器噪声需要进行容易出错的估算[6],[7]。因此，仅基于位置数据的集群对于稳健协调

来说既实用又重要。

基于位置的群集模型已经出现以解决这些限制，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]。这些模型对于位置感知更可行的系统特别相关，例如装备GPS的无人

机或传感器网络[2]。基于位置的方法通常结合潜在函数来平衡吸引力和排斥力，确保稳定的

形式。在机器人多代理系统（MAS）中首选这些方法，因为它们简单、稳健且在基于感知和通

1

信的系统中都具有高效性。它们利用直接的位置测量来最小化计算和通信需求，同时增强可扩

展性和容错能力。

队形仍为群集的关键组成部分，因为它驱动了代理之间的速度一致性[4]。基于位置的对

齐规则通过使用采样位置数据来近似速度差异，增强了在噪声环境中的鲁棒性并减少了通信带

宽。对于二阶多智能体系统，已经表明可以通过利用采样的或相对的位置数据实现共识，即使

没有直接的速度测量或通信[9],[10]。随时间变化的拓扑结构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工作，提出了一种位置基础的群集模型，该模型修改了[12]的位置速

度基础框架。与它的位置速度基础同类[12]相似，我们的模型引入了一种最小化、分布式的且

可扩展的位置基础方法用于机器人多智能体系统。通过使用初始和当前位置来近似速度差异并

引入阈值权重，该模型确保了稳健的对齐和紧凑的编队。以下部分详细说明了模型的公式、数

值模拟以及与位置速度基础方法的比较，展示了在实现稳定群集行为方面的增强性能。

2基于位置和速度状态的群集行为

考虑在维空