本研究提出了一种基于分层强化学习的双向任务-动作规划方法，旨在解决群体机器人在动态环境中的决策问题。实验结果显示，该方法在对抗中的胜率超过80%，决策时间低于0.01秒，展现出良好的应用潜力。

提出了一种新的受鱼群启发的自适应方法，用于群体逃生的群体机器人。通过吸引和排斥力结合生成无碰撞逃生机器人轨迹的生物启发式神经网络。模拟和实验结果表明，该方法能够显著提高系统性能的效果和效率以及复杂环境中的灵活性和鲁棒性。

该研究使用STGNN模型探索了群体机器人的分散控制方法，实现了凝聚性集群行为、领导跟随和障碍物避让任务。