进化异质群体中专业集体行为的形成
内容提要
本文综述群体机器人控制器设计，重点采用进化算法训练神经网络，实现梯度跟随与任务求解。研究发现群体规模存在“甜蜜点”，并涌现出未被选择的新行为。通过人机交互、自监督学习及视频提取等方法，可发现更多异构群体紧急行为，提升复杂环境中的灵活性与鲁棒性。
延伸解读
群体规模存在“甜蜜点”
文章指出，进化所得解决方案在控制较差时反而具有最大的灵活性，并且群体规模存在一个“甜蜜点”。这意味着并非规模越大越好，而是存在一个平衡点，使群体在灵活性与控制效果之间达到最优。这一发现对设计群体机器人系统具有参考价值，提示研究者和开发者需要根据任务需求调整群体规模，而非盲目扩大。
进化中涌现未被选择的新行为
研究观察到，在进化过程中出现了未被代表和选择的新兴集体行为。这表明进化算法不仅能优化预设目标，还可能产生开发者未曾预料的行为。这种涌现性为群体机器人带来了潜在的优势，如适应复杂环境，但也可能引入不可控因素，需要在设计中加以关注和引导。
人机交互提升行为发现效率
通过迭代人在环节的发现过程，比随机搜索、群体化学和自动化行为发现方法发现了更多行为。实验中发现了23个新的紧急行为，其中18个是新发现。这凸显了人类直觉与机器搜索结合在探索异构群体行为中的价值，为未来研究提供了有效的方法论参考。
视频提取与自监督学习拓展发现途径
文章提到利用自监督学习和人机交互查询自适应用户偏好的相似度空间，以及从视频演示中自动提取群体控制器的方法。这些技术能够从演示中学习并分类集群行为，比先前工作发现更丰富的集群行为。这为基于观察的群体控制器自动提取迈出了第一步，有望降低对专家手工设计的依赖。
Q&A
进化算法如何用于设计群体机器人的控制器？
使用微分进化来发展神经网络控制器，使机器人能够遵循环境特征的梯度并解决任务。
群体规模对集体行为有什么影响？
研究发现群体规模存在一个“甜蜜点”，在此规模下集体运动表现出最大的灵活性，并涌现出未被选择的新行为。
如何发现异构群体中的新紧急行为？
通过迭代人在环节的发现过程，比随机搜索、群体化学和自动化行为发现方法发现了更多的行为。实验中发现了23个新的紧急行为，其中18个是新发现。
自监督学习如何帮助探索集群行为？
利用自我监督学习和人机交互查询自适应用户偏好的相似度空间来探索并分类可能出现的集群行为，实验表明该方法比之前的工作更能发现丰富的集群行为。
如何从视频演示中自动提取群体控制器？
使用进化算法根据比较高级别群体度量值的适应函数提取许多控制器，在收集运动任务中提供不同树导致的不同行为的定性分析，这是实现基于观察的群控器自动提取的第一步。
模块化协同进化策略如何控制机动车辆？
通过多个原始代理的动态自组装形成复合体来控制机动车辆，与传统复杂代理的学习方法不同。实验表明，该方法比静态和单片基线更好地适应环境变化和测试时间变化。
