內容簡介

本書介紹了群體智慧機器人技術，講解了從群體智慧到機器人技術的原理、建模與應用，能夠通過許多示例場景幫助研究者、從業者和師生瞭解如何設計大型機器人系統，這些示例場景涉及諸如聚合、協調運動、任務分配、自組裝、集體構建和環境監測等領域。本書解釋了構建多個簡單機器人背後的方法，以及這些機器人之間的多重交互產生的複雜性，以便它們能夠解決困難的任務。本書適合機器人、人工智慧領域的研究者、從業者和師生學習參考。

作者介紹

海科·哈曼（Heiko Hamann）

是德國盧貝克大學服務機器人學教授。他的研究重點是群體機器人、群體智慧和進化機器人。他正在開發創新的方法，利用物理、數學、化學和生物學等工具的新應用來管理機器人工程系統日益增加的複雜性。他在國際會議和國際期刊上發表了近百篇論文，是群體智慧型機器人和相關領域公認的資深研究人員。

原書前言

第1章　群體機器人技術導論
　　1.1　對群體機器人技術的初步探討
　　　　1.1.1　什麼是群體
　　　　1.1.2　群體有多大
　　　　1.1.3　什麼是群體機器人技術
　　　　1.1.4　為何研究群體機器人技術
　　　　1.1.5　什麼不是群體機器人技術
　　1.2　早期調查和見解
　　　　1.2.1　群體的性能
　　　　1.2.2　通信
　　　　1.2.3　兩個層面: 微觀和宏觀
　　1.3　自組織、回饋和湧現
　　　　1.3.1　回饋
　　　　1.3.2　自組織系統實例
　　　　1.3.3　湧現
　　1.4　其他靈感來源
　　1.5　同構群體和異構群體
　　1.6　人類因素
　　1.7　硬體和軟件的實現
　　　　1.7.1　任務和群體機器人項目示例
　　　　1.7.2　模擬模擬工具
　　　　1.7.3　未來應用
　　1.8　延伸閱讀
　　1.9　任務
　　　　1.9.1　任務：電腦系統的擴展
　　　　1.9.2　任務：超線性加速
　　　　1.9.3　任務：群體的同步化

第2章　機器人技術簡介
　　2.1　組成部件
　　　　2.1.1　身體和關節
　　　　2.1.2　自由度
　　　　2.1.3　執行器
　　　　2.1.4　驅動器
　　　　2.1.5　感測器
　　2.2　里程測量
　　　　2.2.1　非系統誤差、系統誤差和校準
　　　　2.2.2　地圖繪製的藝術
　　　　2.2.3　拓展：螞蟻回巢
　　2.3　運動學
　　　　2.3.1　正向運動學
　　　　2.3.2　逆向運動學
　　2.4　控制
　　　　2.4.1　軌跡誤差補償
　　　　2.4.2　群體機器人的控制器
　　2.5　群體機器人的硬體
　　　　2.5.1　s-bot
　　　　2.5.2　I-SWARM
　　　　2.5.3 “愛麗絲” 機器人
　　　　2.5.4　Kilobot
　　　　2.5.5　其他群體機器人
　　2.6　延伸閱讀
　　2.7　任務
　　　　2.7.1　任務：差分轉向運動學
　　　　2.7.2　任務：勢場控制
　　　　2.7.3　任務：單個機器人的行為

第3章　快速瞭解幾乎一切
　　3.1　作為機器人控制器的有限狀態機
　　3.2　基於機器人機器人交互的狀態轉換
　　3.3　早期的微觀宏觀問題
　　3.4　最小示例：集體決策
　　3.5　宏觀視角
　　3.6　預期的宏觀動態和回饋
　　3.7　延伸閱讀
　　3.8　任務
　　　　3.8.1　任務：繪製宏觀動態系統行為圖
　　　　3.8.2　任務：模擬集體決策

第4章　群體機器人技術的應用場景
　　4.1　聚集和聚類
　　4.2　分散
　　4.3　斑圖形成、物件聚類、分類和自組裝
　　　　4.3.1　斑圖形成
　　　　4.3.2　聚類
　　　　4.3.3　分類
　　　　4.3.4　自組裝
　　4.4　集體建設
　　4.5　集體運輸
　　4.6　集體操縱
　　4.7　成群行動和集體運動
　　4.8　覓食
　　4.9　分工和任務：任務劃分/分配/切換
　　4.10　放牧
　　4.11　異構群體
　　4.12　混合社會和生物混合系統
　　4.13　群體機器人技術2.0
　　　　4.13.1　錯誤檢測和安全性
　　　　4.13.2　連接機器人和作為介面的機器人
　　　　4.13.3　作為野外機器人技術的群體機器人技術
　　4.14　延伸閱讀
　　4.15　任務
　　　　4.15.1　任務：機器人群體的行為

第5章　群體系統建模及形式化的設計方法
　　5.1　建模簡介
　　　　5.1.1　什麼是建模
　　　　5.1.2　在群體機器人技術中為什麼需要模型
　　5.2　局部取樣
　　　　5.2.1　統計學中的取樣
　　　　5.2.2　群體的取樣
　　5.3　建模方法
　　　　5.3.1　速率方程
　　　　5.3.2　空間方法的微分方程
　　　　5.3.3　網路模型
　　　　5.3.4　網路科學和自我調整網路
　　　　5.3.5　作為生物模型的群體機器人
　　5.4　形式化的設計方法
　　　　5.4.1　算法設計的多尺度建模
　　　　5.4.2　自動設計、學習和人工演進
　　　　5.4.3　軟件工程和驗證
　　　　5.4.4　形式化的全域到局部編程
　　5.5　延伸閱讀
　　5.6　任務
　　　　5.6.1　任務：超越二元決策
　　　　5.6.2　任務：蒲豐投針
　　　　5.6.3　任務：群體的局部取樣
　　　　5.6.4　任務：降維和建模
　　　　5.6.5　任務：速率方程
　　　　5.6.6　任務：自我調整網路

第6章　集體決策
　　6.1　決策
　　6.2　群體決策
　　6.3　動物的群體決策
　　6.4　作為決策過程的集合運動
　　6.5　集體決策過程的模型
　　　　6.5.1　甕模型
　　　　6.5.2　投票模型
　　　　6.5.3　多數規則
　　　　6.5.4　Hegselmann-Krause
　　　　6.5.5　Kuramoto模型
　　　　6.5.6　Axelrod模型
　　　　6.5.7　伊辛模型
　　　　6.5.8　纖維束模型
　　　　6.5.9　Sznajd模型
　　　　6.5.10　巴斯擴散模型
　　　　6.5.11　社會物理學和逆向思維者
　　6.6　實施
　　　　6.6.1　100個機器人的決定
　　　　6.6.2　集體感知作為決策
　　　　6.6.3　作為隱式決策的聚合
　　6.7　更多讀物
　　6.8　任務
　　　　6.8.1　在規定地點聚合
　　　　6.8.2　用於蝗蟲場景的甕模型

第7章　案例研究：自我調整聚集
　　7.1　用例
　　7.2　替代解決方案
　　　　7.2.1　臨時性方法
　　　　7.2.2　梯度上升法
　　　　7.2.3　正回饋
　　7.3　生物學的啟發：蜜蜂
　　7.4　模型
　　　　7.4.1　聚集建模：跨學科方案
　　　　7.4.2　空間模型
　　7.5　驗證
　　7.6　簡短總結
　　7.7　延伸閱讀

尾聲
參考文獻

看更多