《Frontiers in Robotics and AI》:Comparing simulation and physical kilobots performance in two ant-inspired foraging behaviours
编辑推荐:
摘要:机器人学从自然界汲取灵感以在非结构化环境中有效执行任务,并可用于检验生物学假说。社会性动物常共享食物源位置信息,例如蚂蚁中的串联奔跑(tandem running),即一只领头蚁引导一只新手蚁前往已知的有利食物地点。这种行为极具优势,因为它允许重要信息在
摘要:机器人学从自然界汲取灵感以在非结构化环境中有效执行任务,并可用于检验生物学假说。社会性动物常共享食物源位置信息,例如蚂蚁中的串联奔跑(tandem running),即一只领头蚁引导一只新手蚁前往已知的有利食物地点。这种行为极具优势,因为它允许重要信息在群体成员间传递,但也存在成本,例如当巢内无领头蚁时的等待时间,以及串联配对相较于个体移动速度的降低。这些成本何时超过收益尚不明确,因为在自然环境中研究复杂的社会行为颇具挑战性。研究人员开发了两种基于千位机器人(Kilobots)的方法来比较串联奔跑与独行侦察兵觅食(采用各向同性随机游走,即蚂蚁在无任何先前位置知识的情况下搜寻食物):一种方法基于真实实验,另一种基于计算机仿真。研究人员测试了基于仿真的两种生物启发策略的比较能否可靠预测真实场景中的表现,并探究了搜索区域大小对觅食效率的影响。在真实实验中,串联配对发现食物源的速度更快;然而,这一结果在仿真中发生了逆转。这些结果凸显了此前在其他系统中报道过的仿真与真实实验之间的不一致性,即所谓的现实鸿沟(reality gap),并表明使用仿真可能导致关于生物启发式觅食策略相对有效性的定性不同结论。
论文解读文章
一、研究背景、现存问题与研究意义
机器人技术在制造业、医疗和军事等领域的快速发展,催生了设计能在非结构化和混乱环境中运行的机器人的需求。由于编程机器人应对无限不可预测环境极具挑战性,研究者常从自然界寻找灵感。本研究受蚂蚁觅食行为启发,聚焦于两种典型策略:一是串联奔跑(tandem running),即一只知晓食物位置的领头蚁引导新手蚁前往;二是独行侦察兵(lone scout) 觅食,即单只蚂蚁利用各向同性随机游走(isotropic random walk)在没有先验知识的情况下独自探索食物源。尽管串联奔跑能高效共享信息,但其存在巢内等待时间和配对移动速度降低的成本,其净收益何时成立尚不清楚。此前虽有研究利用仿真建模串联奔跑,但尚无研究在真实机器人平台上同时比较这两种策略,并评估仿真是否能可靠预测真实世界的相对性能。此外,仿真与真实实验间的偏差——即现实鸿沟(reality gap)——已被广泛记录,但尚未有工作利用千位机器人(Kilobots)探索这一差距对不同觅食策略比较的影响。因此,本研究的两个贡献在于:第一,提供两种蚁群启发式觅食策略在仿真和物理千位机器人集群中的受控比较;第二,证明仿真与现实之间的差异不仅体现在绝对性能上,还可能改变竞争策略的相对排序。
二、主要关键技术方法
研究人员在阿伯丁大学(University of Aberdeen)机器人实验室进行了真实千位机器人实验,并在柯普拉仿真(CoppeliaSim) 软件中进行了对应仿真。真实实验中,利用kilogui软件对每个移动千位机器人进行单独校准以实现直线运动和旋转。仿真则使用了Bullet 2.78物理引擎和K-Team开发的柯普拉仿真千位机器人模型。串联奔跑实验通过设置静止信标机器人(beacons)模拟视觉地标路径,引导领头蚁和跟随蚁前进;独行侦察兵则采用各向同性随机游走算法。实验和仿真均在三种不同大小的搜索区域中进行(面积分别为484.5 cm2、579.5 cm2和674.5 cm2),对应1、2、3个信标。此外,研究人员还通过组合分析,将一次独行侦察兵运行的时间与一次串联奔跑运行的时间相加,并与两次独行侦察兵运行的时间进行比较,以纳入领头蚁初始搜索时间并缓解高方差。
三、研究结果
真实千位机器人实验
在最小面积(484.5 cm2)的搜索区域中,串联配对与独行侦察兵找到食物源的时间非常接近(中位数分别为41.60秒和42.10秒),差异不显著(z = -0.22, p = 0.827)。在中型面积(579.5 cm2)区域中,串联配对开始表现出更快的趋势(72.50秒 vs. 77.00秒),但仍未达到显著性(z = -0.31, p = 0.760)。在最大面积(674.5 cm2)区域中,串联配对的优势最为明显(120.30秒 vs. 156.60秒),但同样不显著(z = -0.65, p = 0.513)。效应量绝对值从0.15(小区域)增加到0.60(大区域)。
柯普拉仿真实验
仿真结果呈现相反趋势:在所有搜索区域中,串联配对均比独行侦察兵花费更长的时间找到食物源,且差异在最大区域中最明显(317.05秒 vs. 259.01秒)。所有比较均不显著(小型:z = -0.57, p = 0.570;中型:z = -1.53, p = 0.127;大型:z = -1.00, p = 0.315)。值得注意的是,仿真中串联配对的平均时间约为真实实验的三倍。
现实鸿沟量化分析
通过计算仿真与真实实验的中位时间差(仿真减去真实),研究人员发现整体鸿沟随搜索区域增大而增加,但在两种策略中模式不同。对于串联配对,鸿沟从小区域的116.61秒跃升至中区域的195.51秒,并在大区域保持稳定(196.75秒);对于独行侦察兵,鸿沟从小区域的69.60秒逐步增至中区域的88.61秒和大区域的102.41秒。百分比偏差(% dev)显示,串联配对的偏差在中小区域较大(116.72%和114.83%),在大区域降至89.97%;独行侦察兵的偏差则持续下降(90.51%、73.05%、49.28%)。
组合分析结果
组合分析进一步验证了上述趋势。在真实实验中,所有搜索区域下“独行侦察兵+串联配对”的组合均比“独行侦察兵+独行侦察兵”的组合更快,且所有比较均达到统计显著性(p < 0.001)。而在仿真中,仅在中型和大型区域下,“独行侦察兵+串联配对”的组合慢于“独行侦察兵+独行侦察兵”的组合(p < 0.001),在小区域中两者无显著差异(p = 0.53)。
四、讨论与结论
讨论部分指出,真实实验的结果与Goy等人(2021)关于有限高质量食物源条件下串联奔跑更快的发现一致,而仿真结果与之相悖,体现了现实鸿沟(reality gap)。研究人员区分了认知不确定性(epistemic uncertainty,源于对机器人和环境的不完美知识,如摩擦和接触动力学)和随机不确定性(aleatoric uncertainty,源于随机决策)。通过分析现实鸿沟在不同随机性水平策略中的变化,他们推断随机决策并非鸿沟的主要来源,认知不确定性更可能是主因。具体问题包括:仿真表面理想光滑无摩擦、千位机器人腿部弯曲影响运动、电池电量导致行为退化、无需校准导致直线运动过于完美、红外通信依赖反射率而非距离等。虽然柯普拉仿真因其多物理引擎和高效CPU使用而被选用,但本研究明确显示其无法精确模拟真实实验的复杂性。
研究结论翻译如下:在本研究中,研究人员成功地在受控环境中模拟了两种蚂蚁觅食行为——串联奔跑和独行侦察兵,建立了一个未来可用于研究和模拟其他复杂动物行为的平台。结果表明,在所研究的觅食行为和机器人平台上,仿真与物理实验可能产生竞争策略的不同相对排序。结果还显示,仅在较大的搜索区域中,完成任务的所需时间在两种策略间才出现差异。这些发现的直接应用可包括在目标位置未知时选择机器人导航策略,以及在群体智能、集体决策和导航技术与策略领域。这些发现对物流、农业、搜索与救援等更远领域潜在应用的强调,突显了本研究及其发现的重要性。