多机器人学习的优化方案

一般而言，多机器人系统工作在动态、复杂的外界环境之中，由于环境的动态性和不确定性、机器人之间通信的局限性及机器人决策具有的随机性等原因，想通过人为设计和优化的方法使机器人具备解决所有问题的能力是不现实的。如何使机器人系统具有依据实际情况选择适当的决策的能力，是多机器人控制的一个关键问题。利用机器学习的特征，使机器人具有学习能力是多机器人系统解决这类问题的一种有效手段。机器人通过学习可以获得更强的适应性、灵活性等智能特性。

在多机器人系统中，对于个体机器人，学习可以提高个体解决问题的能力，对于多机器人系统，学习有助于改善个体之间的一致性和协调性，提高机器人系统的整体性能。

机器学习主要包括3类重要的学习方法：基于符号的方法，如变形空间搜索算法、ID3（Iterative Dichotomiser3）决策树（Decision Trees）归纳算法等；连接主义的方法，如人工神经网络算法ANN（Artifi cial Neural Networks）等；遗传或进化的方法，如遗传算法GA（Genetic Algorithm）等。这些机器学习方法来源于不同的科学依据，使用不同的计算方法，依赖不同的演化模式，使用不同的数据和表示方法，具有不同的输入输出格式。

感知是机器人获取环境信息的另一种方式，是机器人与环境的局部的、主动的交互，通过交互获取环境的局部信息。(www.xing528.com)

一般而言，智能机器人的感知问题主要包括“感觉”和“知识理解”两个方面的内容。“感觉”是指机器人通过自身配备的多种不同功能的传感器来感觉外部环境，获取与机器人决策有关的局部环境信息。“感觉”研究的主要方向是如何实现更灵敏、快速、小型的传感器系统。“知识理解”是指机器人通过信息事例、处理、解释等，理解机器人获取的各种信息的真实意义，并将其与机器人的决策与控制紧密地结合起来。“知识理解”研究的主要内容是如何更有效地融合、处理机器人获取的局部环境信息，得到更加准确的、真实的、全面的环境信息，为机器人的决策和控制提供可靠的信息基础。在多机器人系统中，各个机器人可以配备不同的传感器系统，感知不同的环境信息，系统中的某个机器人可以利用其他机器人的传感器信息来弥补自身感知能力的不足，通过“合作感知”的策略来实现资源共享，优化系统结构，提高系统的运行效率。

感知与通信一样，是协作机器人系统动态运行的关键因素，对协作机器人系统具有重要的作用。通过感知可以实时地获取环境的各种信息，使机器人系统能够快速响应环境的变化。通过感知可以获取协作机器人的意图、动作效果，可以降低系统对通信的依赖，减轻机器人系统的通信负担，可实现机器人系统的无显式通信的协作。通过感知可以更新和维护机器人系统的系统模型，如对机器人的学习效果进行检验。