自然·通訊：水下集群機器人實現“民主協商”

導語

集群智能模型雖在多智能體復雜任務中潛力十足，但因去中心化特性鮮少實際應用，面臨小規模集群可靠性不足、參數與性能平衡等挑戰，且現有技術多為計算優化犧牲現實適用性。研究者融合元啟發式方法與共識理論，提出兼具虛擬優化器和車輛控制器功能的集群合作模型，在16個以內智能體的低維度任務中，33種測試場景里22種表現優于或比肩基準方法，通過概念驗證實現了自主水下航行器在復雜海洋環境中定位污染物。

關鍵詞：集群智能（Swarm Intelligence），集群機器人（Swarm Robotics），共識理論（Consensus Theory），自主水下航行器（Autonomous Underwater Vehicles，AUV），優化算法，去中心化控制

王璇丨作者

趙思怡丨審校

論文題目：A collective intelligence model for swarm robotics applications 論文鏈接：https://www.nature.com/articles/s41467-025-61985-7 發表時間：2025年7月17日 論文來源：Nature Communications

從鳥群到機器人群，智能協作的進化之路

在自然界中，鳥群避敵、魚群洄游、蟻群筑巢，這些看似復雜的集體行為背后，并沒有一個中央指揮官。相反，每個個體僅根據簡單的局部規則與鄰近同伴交互，便能涌現出令人驚嘆的集群智能。這種去中心化、自組織的協作模式，為人類解決復雜問題提供了無窮靈感。這篇2025年7月發表在Nature Communications的研究表明，這種集體智慧并非只能依賴龐大的群體：只需少量機器人，也能通過“民主協商”完成復雜搜索任務。

過去幾十年，研究人員從中抽象出多種元啟發式優化算法，如經典的粒子群優化（Particle Swarm Optimization, PSO）、人工蜂群算法等。它們被廣泛用于求解函數優化、工程設計等虛擬問題。然而，將目光投向物理世界，試圖讓一群真實的機器人像鳥群一樣協作時，卻遇到了巨大瓶頸。現有算法往往需要大量智能體才能保證性能，且依賴眾多需要人工調整的參數，這在實際機器人應用中幾乎不可行。

與此同時，在機器人控制領域，基于共識的方法在編隊控制、集結等任務中取得了成功，但其能力通常局限于簡單的環境，難以應對具有多個極值點的復雜搜索任務。鑒于此，研究者們提出了集群合作模型，成功彌合了虛擬優化與物理機器人控制之間的鴻溝。既具備元啟發式算法強大的全局搜索能力，又擁有共識理論在物理機器人系統中的穩健性與簡潔性。

核心創新：一個方程，兼容虛擬與物理世界

研究團隊將每個智能體的運動建模為一個受三種力驅動的過阻尼朗之萬方程。融合社交共識、認知梯度與自適應隨機擾動，研究團隊讓每個智能體既能通過群體協作保持集群性，又能依靠個體感知向目標方向探索，同時還能根據集群狀態動態平衡探索與利用的關系，有效避免局部最優，為小規模集群智能模型的可靠應用提供了核心動力學基礎。

共識，在這里被量化為智能體圍繞集群加權質心的聚集程度。當集群長時間停滯（共識水平穩定在高位），系統會判斷它們可能困于局部最優，于是自動增強隨機擾動的強度，幫助個體“跳”出當前區域。相反，當某個個體已處于性能優越的區域（接近全局最優），它受到的隨機擾動會相對減弱，使其能夠穩定探索。這種自我調節的隨機性，使模型無需先驗知識就能應對靜態或動態變化的地形。

圖 1. 智能體集群協作過程示例。（a–c）景觀函數上位置的連續快照；（d）搜索過程中的逐點軌跡；（e）全局一致性參數C和全局噪聲調制因子σ的時間序列；（f）感知適應度值的時間序列。

性能比拼：小團隊，大作為

理論模型是否有效，需要嚴格的實驗驗證。研究團隊在6個經典的多模態測試函數上，將新模型（Swarm Cooperation Model，SCM）與兩大主流方法進行對比：代表元啟發式的粒子群優化（PSO），以及代表梯度優化方法的多起點內點算法（MIPA）。

在機器人應用中，多次隨機初始化試驗中算法找到全局最優解的比例，即成功率至關重要。一次搜索失敗可能導致任務徹底無法完成，而 SCM 的表現令人印象深刻：當智能體數量限制在 16 個或更少時，它在 33 個測試場景中的 22 個上，成功率優于或等于 PSO 和 MIPA，尤其在二維和三維搜索問題中優勢明顯。

與 PSO 不同，SCM不依賴 “集群記憶”追蹤歷史最佳位置，僅依靠當前局部交互和共識，這使其性能對集群大小依賴不敏感，即便智能體數量少也可能成功，還能無縫應對動態環境。不過 SCM 的高成功率需付出代價，其平均函數評估次數比 PSO 多近一個數量級，但在機器人應用中，函數評估對應機器人移動采樣，只要時間、能耗等采樣成本可接受，用更多探索步數換取更高任務可靠性是值得的。

實戰演練：指揮AUV集群，在變幻的洋流中定位污染源

這種在標準測試中表現優異的小規模集群協作能力，在逼近真實世界的復雜任務中是否依然有效？ 研究團隊用一個極具挑戰性的仿真場景給出了答案。在一個逼近真實世界的計算仿真中，將SCM與一個成熟的AUV動力學模型耦合，指揮5臺AUV，在意大利加里波利灣一片6公里見方的海域，定位一個隨洋流擴散的污染物濃度最高點。

這個任務的挑戰是極致的：

• 環境動態：污染物濃度場并非靜態地圖，它會隨著復雜的三維洋流不斷移動、擴散和變形。

• 載體約束：AUV自身有動力學特性，不能瞬間移動，且受到洋流的持續干擾。

• 通信限制：水下只能依靠水聲通信，帶寬有限且噪聲大。

圖 2. AUV的模型示意圖以及衛星視圖。（a）搜索區域內模擬的海洋洋流快照；（b）智能體集群示意圖；（c）AUV動力學與群協作模型邏輯序列的流程圖；（d）AUV動力學模型和群協作模型的流程圖。

在100次隨機試驗中，任務成功率高達86%，平均搜索時間約20.8小時。過程如一場生動的“民主協商”：AUV群起初像持不同意見的個體般分散探索，隨后在隨機力提供的“創新嘗試”與共識機制持續的“意見整合”下，個體陸續放棄局部高點，最終群體通過信息交換與加權決策，達成高度統一的集體行動，成功追蹤并匯聚于污染峰的移動路徑。這充分證明了SCM在動態、非凸、受物理約束的真實場景中的強大生命力。

未來方向：邁向更智能的集群機器人

這項工作為群體機器人領域帶來了重要突破，將群體智能從傳統的“離線優化工具”升級為能直接驅動物理集群進行在線、動態搜索的控制框架，其參數精簡、自適應性強、對小規模友好的特性，精準契合工程實際需求。未來，模型可從探索策略上繼續優化，例如引入萊維飛行等重尾分布以提升效率；在落地層面，則需攻克水下通信的延遲、噪聲與多徑效應等工程挑戰，并解決從群體決策輸出到單機舵角指令的動力學映射問題。此外，該框架具備顯著的通用性，任何可建模為有界空間優化且具備可測量適應度函數的問題，從無線網絡配置、供應鏈調度到神經網絡訓練，均有望從這類受自然啟發的集體決策模型中獲益，為更廣泛的協同智能系統鋪就道路。

群體智能讀書會

如果你對這些反直覺但極有用的現象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協作、群智優化與多智能體系統、網絡輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現這件事講清楚、講透徹；用物理學、數理邏輯、多主體建模、計算傳播等多學科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現？

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等來自11所高校的學者，共同發起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。讀書會自2026年1月17日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

詳情請見：

1.

2.

3.

4.

5.

6.

7.

8.

9.