多机器人任务分配，4个机器人执行一组~20个任务。上图显示了4个机器人在访问不同任务时所跟踪的路径，这是由每个机器人模拟执行我们的算法决定的;每个机器人开始和结束在同一个仓库，用黄色的六边形标记。下面的图显示了我们的算法在机器人R4的特定任务规划实例上是如何工作的(在上面的图中用黄色圆圈标记;对等机器人在该实例中的位置由上图中的X符号标记)。在这里，左边的双图连接了所有的机器人和所有可用的任务，从而代表了各种潜在的分配策略。右边的图是机器人R4执行我们算法的结果，说明现在机器人R4已经选择接下来执行task-20。资料来源:Payam Ghassemi博士。
机器人团队可以帮助用户更快、更有效地完成大量任务，还可以在危险操作期间让人类人员远离危险。近年来，一些研究特别探索了机器人群在搜救任务中协助人类代理的潜力;例如，在寻找自然灾害的幸存者或向他们运送食物和救生包时。
布法罗大学(University of Buffalo)的研究人员最近开发了一种技术，可以提高机器人团队在灾难响应任务中的表现。在爱思唯尔的《机器人与自主系统》杂志上发表的一篇论文中介绍了这种技术，旨在将任务分配给团队中的不同机器人，使它们能够最有效地完成任务。
“过去三到四年,我们一直在探索独特的方式协调地面机器人和无人驾驶飞机的大型团队协助风险映射和紧急救灾搜救行动是至关重要的应用程序,“苏马病博士Chowdhury,领导这项研究的研究人员之一,对科技伊克斯托说。“在这些研究探索中，我们发现了一种算法的需求，这种算法可以快速(在行动中)在团队中的机器人之间分配任务。”
当他们回顾之前的研究时，研究人员发现，现有的多机器人任务分配方法中，很少有能够在严格的时间期限下处理同时进行的任务，并适应在任务中可能出现的新的意外任务，同时也考虑到飞行范围，真实世界机器人的有效载荷能力和机载计算约束。因此，他们着手开发一种能够成功做到所有这些事情的方法。
”进一步我们的研究的目的是为了证明这种新方法的能力在一个原始洪水响应应用程序中,一个团队的无人驾驶飞机被用来快速交付或放弃求生工具模拟洪水中指定任务地点场景x30 20平方公里区域,“Chowdhury博士说。
在他们的研究中，乔杜里博士和他的同事帕亚姆加塞米博士将机器人团队和他们要完成的任务视为两组截然不同的数据。这使得他们能够减少分配问题给自己的任务，因此主要需要映射或匹配这两个集合中的元素对(例如，团队中的机器人将完成任务)。本质上，当模型需要做出决策时，它通过“边”将集合1中的每个空闲机器人与集合2中剩余的一个任务连接起来。
“然后，我们的技术使用激励函数对这些边进行加权，权重越高，表明机器人承担由相关边连接的任务的相对亲和力就越高，”参与这项研究的另一位研究人员加塞米博士说。然后，一个加权图匹配问题被解决，产生一个一对一的映射，产生下一个任务分配给每个机器人。通过设计激励函数来考虑机器人的全局状态、机器人相对于任务的状态和完成任务的剩余时间，我们的方法变得独特地认识机器人的约束和任务的最后期限。”
与现有的基于优化的多机器人任务分配方法相比，该技术有几个优点。例如，它的执行时间非常短，因为它可以在几百毫秒内做出任务分配决策。
除了比其他现有方法更快之外，研究人员的技术还减轻了机器人之间同步决策的需要。这意味着它的功能对团队中连接机器人的通信网络的依赖性较低。
Drs。乔杜里和加塞米在一系列测试中评估了他们的技术。值得注意的是，他们发现它完成任务的比例与提供可证明的最优解决方案的一般优化方法相同，但其计算时间几乎低了1000倍。
乔杜里博士说:“这个观察结果，加上我们的技术做出异步决策的能力，意味着我们的方法可以很容易地在广泛使用的廉价地面机器人和无人机上实施。”“这种简单的机器人通常具有节约的计算和通信能力。”
有趣的是，研究人员表明，他们的方法还可以扩大规模，解决高度复杂的问题，包括由多达100个机器人组成的团队，该团队打算完成1000项任务，同时保持其亚秒级的计算时间性能。到目前为止，很少有团队尝试使用现有的任务分配工具来解决这些大规模的问题。
乔杜里博士说:“我们的研究结果代表着多机器人领域向前迈出了重要的一步，为这一愿景提供了切实的证据，即非常庞大和可扩展的机器人团队可以彻底改变灾难响应和其他时间敏感的操作。”“最后，通过直接考虑机器人的范围和有效载荷约束、任务期限和新任务的出现(后者在灾难响应操作中无处不在)，我们的发现使我们更接近于将多机器人任务分配算法过渡到复杂的大规模操作中。”
未来，该研究团队开发的在线多机器人任务分配技术，将有助于在复杂的搜救任务中大规模部署无人机群或其他机器人团队。与此同时,Drs。Chowdhury和Ghassemi计划进行进一步的实验，在更真实的模拟中评估他们的算法，使用当代游戏引擎创建。这将最终允许他们在无人机和四轮地面机器人上部署和测试他们的技术。
“布法罗大学工程和应用科学学院最近公布了一个大型的最先进的户外无人机测试设施，这将是在真实世界条件下进行这些实验的完美设置，”Chowdhury博士补充说。“在更基本的层面上，我们计划减轻为不同类型的操作和机器人手工制作激励功能的需要，并进一步减少机器人之间的沟通需求。”为此，在美国国家科学基金会(National Science Foundation)的一项新研究资助下，我们正在探索如何使用机器学习方法来学习激励函数，从而让我们的算法在更广泛的现实场景中以最小的人类输入进行概括。”
