“ 一群看不见墙、也不知道自己在哪的小机器人，只和身边的邻居交换数字，就判断出了自己所在场地的形状。
近日，这项研究发表在国际权威期刊Science Robotics上，研究人员来自巴黎西岱大学、索邦大学、东京大学、御茶水女子大学等机构。团队提出了一个新框架，叫谱群体机器人（spectral swarm robotics，SSR）。
群体机器人有个老难题。单个机器人结构简单，往往没有可靠的定位和测距传感器，算力和内存也有限，同时定位与建图（SLAM）这类方法用不上。可是像"我们所在的场地是什么形状"这样的问题，需要掌握整个集群的全局信息。
这篇论文给出的思路是：机器人只做局部交互，用模拟扩散的方式估计拉普拉斯谱的不变量，再用这个值给场地分类。
01.
从"听鼓辨形"到机器人集群
这项研究的灵感来自数学家Kac 1966年的经典论文《能否听出鼓的形状？》。这个问题和后续研究表明，鼓面的固有振动频率，也就是该形状上拉普拉斯算子的谱，包含了大量几何信息。
难点在于，群体机器人没有"上帝视角"，每个机器人只能和附近的邻居通信。在完全分布式的条件下，让每个机器人在本地估计出拉普拉斯特征值，此前一直没能做到。
团队这次瞄准的是第二小特征值λ2，又叫代数连通度或 Fiedler 值。直观地说，信息扩散的快慢受形状影响很大：在圆盘里，热量能在二维方向上均匀扩散；在细长的椭圆里，扩散主要被限制在一个方向上。连通性越好的形状，λ2 越大；像圆环这样存在信息"瓶颈"的形状，λ2 就小。
本研究对比了七种形状的连续拉普拉斯算子和图拉普拉斯，发现在形状里随机撒点建出的图，其特征向量和连续情况吻合得很好，归一化之后的λ2 也十分接近。
02.
更有序三个数学技巧，让每个机器人自己算出λ2
具体做法是：每个机器人把内部状态初始化为−1 或 1，之后每一轮都朝邻居状态的平均值调整，相当于整个集群在模拟热扩散。
这个过程可以分解成各个特征模态的指数衰减叠加。为了从中只取出λ2，团队用了三个技巧。
零均值技巧：把初始状态的均值设为0，第一项模态随之消失。
消失技巧：更高阶的模态衰减得更快，经过一段时间后只剩下与λ2对应的那一项。
对数技巧：对状态的绝对值取对数，问题就变成一个本地可以计算的线性方程，斜率就是−λ2。
这样，每个机器人只需观察自己的状态衰减得多快，就能得λ2的本地估计。
单次估计噪声比较大，所以机器人会随机游走一段、更换邻居、重新测量，每轮还会并行运行3组扩散过程。估计值通过与邻居反复平均达成全局共识，最后用最近质心分类器给出结果，并用 LED 颜色显示出来。
整个算法不需要定位、建图、墙壁感知、全局通信或集中式计算。
03.
一条缩放定律：机器人数量和感知半径要配平
团队先在仿真中测试，最多用了550个机器人，测试对象是七种形状。
扩散结束后，集群会稳定地分成两个符号相反的区域，形状不同，收敛速度也不同。迭代30次后，正确识别率明显提高，以圆盘为例，从66%上升到94%。
接下来是一个关键发现。机器人太少、感知半径σ太小时，通信图会断成几个孤岛；机器人太多、σ太大时，每个机器人的邻域都接近"全连接"，反映不出几何细节。
团队定义了覆盖率 α = Nπσ²/S（S 为场地面积），并通过量纲分析和仿真发现：最优配置集中在 α=17 这条双曲线上。α低于7.5时，图开始断成多个连通分量；α高于32时，图过度连接，导致数值不稳定。平均邻居数超过 25时，算法就无法收敛。
在较优的区间里，r1区域的分类准确率达到100%，r3区域为86%。另外，圆盘这种凸形状传播信息的速度约为圆环的10倍。
团队还拿平均度、度分布统计、普通共识收敛时间作为基线做了对比，这些指标都不能像λ2那样，在不同区域里稳定地区分形状。
04.
两种真机实测，Pogobot拿下100%
真机实验用了两个平台。
Kilobot 是群体机器人领域的常用平台。它通信距离85毫米，算上消息碰撞后有效速率只有约5字节/秒，也没有位置和速度传感器。
Pogobot 是索邦大学 ISIR 推出的新平台，通信距离135毫米，每秒最多可发120条20到100字节的消息，速度是Kilobot的约30到500倍。不过Pogobot 不能估计邻居距离，所以σ无法调节。
团队有意选了比较苛刻的条件：两个平台各用25个机器人，每组只跑一次迭代，区分圆盘和圆环。补充材料里还加做了三角形场地的实验。
结果显示，Kilobot的实验准确率为73%，仿真为95%；Pogobot的实验和仿真准确率都是100%。实验得到的归一化λ2均值也和基于全局信息的理论值相符。
在速度上，Pogobot每次迭代（包含预扩散）约5分钟，Kilobot 约79分钟，相差约15倍。研究据此认为，在实际实验中，通信带宽和速度是主要的限制因素。
鲁棒性方面，应对丢包只需调好一个参数，即邻居消息在本地保留多长时间。这个参数没调好，准确率可能从100%掉到31%。机器人内部时钟可以通过消息互相同步，但如果邻域内的时钟偏差达到τ的好几倍，就会出现严重的数值不稳定。
这项研究的意义在于，它证明了只具备最基本感知和算力的机器人，也能通过局部交互获得原本需要集中计算才能得到的全局信息。机器人之间反复交换一个数字，就能从扩散的快慢中读出整个集群所处空间的谱特征，整个过程不依赖定位、地图或全局协调。研究还提到，基于梯度的方法中一次错误更新可能沿着集群层层传开，扩散过程则会随着信息传播把局部的临时误差逐渐抹平。
这项工作最主要的贡献是把谱群体机器人确立为一个研究方向：集群可以把自身交互图的谱性质当作感知和控制的基础，用自己的连接结构做计算，从局部交换中提取全局不变量，并据此调整空间结构和功能来适应环境。
参考链接：https://www.science.org/doi/10.1126/scirobotics.adr9578
