国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

    概述

    在當今的數字時代，人們對于用現代科技解決復雜任務的需求日益高漲。雖然隨著機器人技術的發展，機器人的能力不斷提高, 機器人應用的領域和范圍也在不斷擴展，但是對于一些復雜的任務，單個機器人不再是最好的解決方案,而由是多個機器人組成的系統。

    多機器人系統不是物理意義上的單個機器人的簡單代數相加，其作用效果也不是單個機器人作用的線性求和，它應該還包括一個“線性和”之外的基于個體之間相互作用的增量。這種個體之間的相互作用包含兩個因素：“協調”與“合作”。

    因此，多機器人系統是指若干個機器人通過合作與協調而完成某一任務的系統。它包含兩方面的內容，即多機器人合作與多機器人協調。當給定多機器人系統某項任務時，首先面臨的問題是如何組織多個機器人去完成任務，如何將總體任務分配給各個成員機器人，即機器人之間怎樣進行有效地合作。當以某種機制確定了各自任務與關系后，問題變為如何保持機器人間的運動協調一致，即多機器人協調。對于由緊耦合子任務組成的復雜任務而言，協調問題尤其突出[1]。

    多機器人合作和協調是多機器人系統研究中的兩個不同而又有聯系的概念。前者研究的重點是高層的組織與運行機制問題，側重實現系統快速組織與重構的柔性控制機制；后者則是研究機器人之間合作關系確定后具體的運動控制問題。

    1 多機器人系統的優點

    與單個機器人相比，多機器人系統具有許多優點：

    (1)單個機器人不能完成某些任務，必須依靠多個機器人才能完成。例如讓機器人搬運一個重物，對于這樣的任務也許可以設計一個能力特別強的機器人來完成，但從設計的復雜性和成本等方面來考慮，這樣的方案不如讓多個簡單的機器人組成系統來協作搬運。還有一些任務，如執行戰術使命、足球比賽等，必須要由一個機器人團隊來完成而非單個機器人。

    (2)對于可以分解的任務來說，多個機器人可以分別并行地完成不同的子任務，這比單個機器人完成所有的子任務要快得多。就是說，多機器人系統可以提高工作效率。對未知的區域建立地圖、對某區域進行探雷均屬于這類任務。

    (3)對于多機器人系統來說，可以將其中的成員設計成完成某項任務的“專家”，而不是設計成完成所有任務的“通才”，使得機器人的設計有更大的靈活性，完成有限任務的機器人可以設計得更完善。

    (4)如果成員之間可以交換信息，多機器人系統可以更有效和更精確地進行定位。這對于野外作業的機器人尤其重要。

    (5)多機器人系統中的成員相互協作可以增加冗余度，消除失效點，增加解決方案的魯棒性。例如，裝配有攝像機的多機器人系統要建立某動態區域的基于視覺的地圖，那么某個機器人的失效不會對全局任務產生很大影響，因此，這樣的系統可靠性更強。

    (6)多機器人系統與單個機器人相比，可以提供更多的解決方案，因此可以針對不同的具體情況，優化選擇方案。

    2 多機器人系統的應用領域

    由于多機器人系統的優點，使得它的潛在應用領域非常廣泛，列舉如下：

    遠地作業

    某些應用要求群體自主機器人系統能夠自動完成復雜的工作，而人類可以不時地從遠處進行干預，以改變操作過程，彌補機器人的能力不足，與機器人協作共同完成復雜的任務。這類應用領域如行星科學探險，在煤礦、火山口等高危環境下作業以及在水下培育作物等。

    協助軍事行動

    現代戰爭中使用機器人代替士兵執行危險的任務能最大限度地減少地面部隊和非參戰人員的傷亡。這類任務有排雷、放哨、搜索、追蹤及架設通信設施等。

   協助震后搜索與營救

    城市搜尋和營救人員只有48小時在倒塌的建筑物中尋找被困的幸存者。否則，他們存活的可能性幾乎為零。近來發生在一些地區的地震，造成的城市環境的破壞程度超過了現有的營救資源（搜尋和營救專家、狗和探測器等）的能力。由于難以知道大型建筑物破壞的程度，影響了營救人員對該建筑物進行安全、有效的搜索。有時由于人和狗的體積太大，不能到達要搜索的空間。如果能使機器人協助進行這方面的工作，那么將會產生很大的影響。

    自動倉庫管理

    倉庫操作人員面臨著在降低成本的同時提高對客戶的反應速度的競爭挑戰。由于涉及的勞動內容以及設備投資等原因，指令揀選過程（order picking）在配送中心是成本最高的作業之一。操作人員依靠人力來進行揀選并借助碼垛車或傳送帶系統運輸物料。將這些作業自動化將會受益非淺。在倉庫管理系統的全局監控下，自動碼垛車在配送中心漫游，并移動到某個停駐在物料通道邊的揀選機，運送物料。這樣揀選機就可以專門進行揀選而不需要花時間來回移動。因此，就可以實現倉庫管理工作的自動化和智能化，提供工作效率。

   智能環境

    智能環境是指利用計算機來完全改善日常活動的空間。智能環境通過把計算機和日常現象聯系起來，能夠使原來處于人-機范圍之外的事情相互作用。這可以應用到智能房間和個人助理。許多環境如辦公樓、超市、教室及飯店很可能在今后逐漸發展成智能環境。這些環境中，智能體將會監視資源的優化使用，也會解決資源使用方面的沖突，智能體還要跟蹤環境中對各種資源的需求。另外，進入環境中的每個人都會擁有一個智能體，該智能體的目標是為用戶優化環境中的條件。

    自動建造

    該應用領域涉及大規模結構的裝配，諸如高樓大廈、行星居住區或空間設備。將來，多異構機器人系統將會在空間組裝大型空間設備，而這對于人類來說是非常困難的。

    教育及娛樂系統

    機器人玩具、教育工具及娛樂系統越來越風行。許多這樣的系統（如機器人足球）要求多機器人之間進行協調。

    自動化工廠

    工廠實現自動化是發展趨勢。為了增加產量、減少勞動成本，提高效率、安全性及總體質量，越來越多的產業在尋求生產自動化設備。這要求有高效、高魯棒性的異構多機器人系統的協作。

    清除危險區域

    這樣的例子有機器人掃雷、清掃核廢料及清掃災區。

    農業機器人

    在艱苦條件下的重體力勞動、單調重復的工作，如噴灑農藥、收割及分選作物等有望由多農業機器人系統完成，以解放出大量的人力資源。

    3 多機器人系統的性能衡量指標

    各個應用領域要求多機器人系統要有很高的性能，這些性能由下列指標衡量[2]：

    (1)魯棒性（Robustness）：對機器人出現故障具有魯棒性。因為許多應用要求連續的作業，即使系統中的個別機器人出現故障或被破壞，這些應用要求機器人利用剩余的資源仍然能夠完成任務。

    (2)最優化（Optimized）：對動態環境有優化反應。由于有些應用領域涉及的是動態的環境條件，具有根據條件優化系統的反應的能力成為能否成功的關鍵。

    (3)速度（Speed）：對動態環境反應要迅速。如果總是要求將環境信息傳輸到別的地方進行處理才能作出決策，那么當環境條件變化很快時，決策系統就有可能不能及時提供給機器人如何行動的指令。

    (4)可擴展性（Extensibility）：根據不同應用的要求易于擴展以提供新的功能，從而可以完成新的任務。

    (5)通信（Communication）：要有處理有限的或不太好的通信的能力。要求應用領域為機器人之間提供理想的通信，這在許多情況下是不現實的。因此，協調體系結構對通信失效要具有很強的魯棒性。

    (6)資源（Resource）：合理利用有限資源的能力。優化利用現有的資源，是優化多機器人協調的重要因素。

    (7)分配（Allocation）：優化分配任務。多協調機器人系統中一個主要難點就是確定個體機器人的任務，這是設計體系結構時要考慮的重要因素。

    (8)異構性（Heterogeneity）：能夠應用到異構機器人團隊的能力。為了易于規劃，許多體系結構以同構機器人為假設條件。如果是異構機器人的情況，協調問題將更困難。成功的體系結構應當對同構機器人和異構機器人都適用。

    (9)角色（Roles）：優化指定角色。許多體系結構將機器人限于完成一種角色的功能，但機器人擁有的資源可以完成多種任務。優化指定角色可以使機器人根據當時可以利用的資源盡可能地完成多個角色的功能，并且隨著條件的變化而變化。

    (10)新輸入（New Input）：有處理動態新任務、資源和角色的能力。許多動態性應用領域要求機器人系統能夠在運行過程中處理一些變化，如處理新分配的任務、增加新資源或引進新角色。所有這些都由體系結構支持。

    (11)靈活性（Flexibility）：易于適應不同的任務。由于不同的應用，有不同的要求，因此通用的體系結構需要有針對不同的問題可以輕松重新配置的能力。

    (12)流動性（Fluidity）：易于適應在操作過程中增加或減少機器人。一些應用要求可以在系統運行過程中添加新的機器人成員。同樣，在執行任務的過程中系統也要具有適應減少成員或成員失效的現象。合理的體系結構可以處理這些問題。

    (13)學習（Learning）：在線適應特定的任務。雖然通用的系統非常有用，但將它用于特定應用上時，通常需要調整一些參數。因此具有在線調整相關參數的能力是非常吸引人的，這在將體系結構轉移到其它應用時可以節省許多工作。

    (14)實現（Implementation）：能夠在物理系統上實現和驗證。和其它問題一樣，用實際的系統證實更能令人信服。然而要想成功實現物理系統需要解決那些在仿真軟件系統上不能發現的細節問題。

    表1.1是目前多機器人系統在一些應用領域的性能指標實現情況。其中，“√”表示對應的指標已實現或達到。

    4 多機器人系統的研究現狀和研究內容

    正是因為多機器人系統有許多優點和應用領域，它才日益引起國內外學術界的興趣與關注。在20世紀40年代中期，Grey Walter、Wiener和Shannon一起研究海龜一樣的機器人，這些機器人裝備有燈和接觸傳感器。通過對相互之間動作的反應，這些簡單的機器人顯示出“復雜的社會行為”。

    自從20世紀70年代，多智能體的研究在分布式人工智能領域得到重視，一些機器人學的研究者開始將分布式人工智能（DAI）理論應用到多機器人系統的研究中。

    由于多機器人系統的應用前景非常巨大，美、歐、日等發達國家從20世紀80年代中期就對多機器人系統投入了相當大的研究熱情，協作機器人學得到發展，起初的項目有ACTRESS、DEBOT、GOFER、SWARM等。早期的研究主要以仿真為主，但近來的研究更強調實際的物理實現。如歐盟設立專門進行多機器人系統研究的MARTHA課題――“用于搬運的多自主機器人系統(Multiple Autonomous Robots for Transport and Handling Application)”。美國海軍研究部和能源部也對多機器人系統的研究進行了資助。國內在該領域的研究工作很少，只有少數的研究所和大學在進行相關的研究，且大部分的研究工作仍然停留在仿真和實驗室階段。

    20世紀80年代后期，協作多機器人系統的快速發展體現為三個方面的相互影響：問題、系統和理論。為解決一個給定的問題，想象出一個系統，然后進行仿真、構建，借用別的領域的理論進行協作。將這些實際應用中多機器人合作所面臨的任務加以抽象，列出了一些代表性的任務，這些任務可分三類：

     交通控制(Traffic Control)　

    當多個機器人運行在同一環境中時，它們要努力避碰。從根本上說，這可以看作是資源沖突的問題，這可以通過引進如交通規則、優先權或通信結構等來解決。從另一個角度來看，進行路徑規劃必須考慮其它機器人和全局環境。這種多機器人規劃本質上是配置空間－時間中的幾何問題。

    推箱子/協作操作(Box-Pushing/Cooperative Manipulation)　

    許多工作是討論推箱子問題的。有的集中在任務分配、容錯和強化學習上，而有的則研究通信協議和硬件。協作操作較大的物體也非常令人感興趣，因為即使機器人之間相互不知道對方的存在也可以實現協作行為。

   采蜜(Foraging)　

    它要求一群機器人去揀起散落在環境中的物體。這可以聯想到有毒廢物清除，收割，搜尋和營救等。采蜜任務是協作機器人學的規范的試驗床。這個問題之所以感興趣是因為，一方面這種任務可以由單個機器人來完成，另一方面可以從生物學獲得靈感來研究協作機器人系統。解決方案有最簡單的隨機運動拾撿，還有將機器人沿著目標排成鏈型隊形將目標傳遞到目的地。在研究這類問題時，群體的體系結構和學習也是主要的研究主題。

    多機器人系統是一個復雜的系統，研究的內容涉及方方面面，主要有：

    (1)群體的體系結構

    體系結構是多機器人系統的最高層部分和基礎, 多機器人之間的協作機制就是通過它來體現的, 它決定了多機器人系統在任務分解、分配、規劃、決策及執行等過程中的運行機制以及系統各機器人成員所擔當的角色，如各機器人成員在系統中的相對地位如何，是平等、自主的互惠互利式協作還是有等級差別的統籌規劃協調。總之，正如社會制度作用于人類社會一樣, 它決定了多機器人系統的運作機制, 事關協作效率的高低。從系統設計的角度而言, 系統結構要有利于個體能力最大程度的發揮和任務的最高效完成。另外，協作機器人系統面向的是動態變化的環境，因而系統結構要對環境有自組織適應能力。

    一般地，根據系統中是否有組織智能體為標準，將體系結構分為集中式控制和分布式控制，分別如圖1.1和圖1.2所示。

圖1.1 集中式控制                                圖1.2 分布式控制

    集中式結構以有一個組織智能體為特點，由該組織智能體負責規劃和決策，其協調效率比較高，減少了用于協商的開銷，最突出的優點是可以獲得最優規劃。但難以解決計算量大的問題，因此其實時性和動態特性較差，不適用于動態、開放的環境。

    分布式結構沒有組織智能體，個體高度自治，每個機器人根據局部信息規劃自己的行為，并能借助于通信手段合作完成任務，其所有智能體相對于控制是平等的，這種結構較好地模擬了自然社會系統，具有反應速度快、靈活性高、適應性強等特點，適用于動態、開放的任務環境。但這種結構增加了系統的復雜性，由于沒有一個中心規劃器，所以難于得到全局最優的方案，還可能帶來通信的巨大開銷。目前，分布式結構是主流。

    普遍的看法是分布式結構在某些方面（如故障冗余、可靠性、并行開發的自然性和可伸縮性等）比集中式結構要好。

    另外，有的學者將分布式結構和集中式結構相結合，相互取長補短，系統中的組織智能體對其它個體只有部分的控制能力。

    Anthony Stentz和M. Bernardine Dias提出了用自由市場體系的方法協作一組機器人實現特定的目標。自由市場體制已被證實是一種能組織大量個體，從而提高總體生產效率的機制。這種方法對特定任務的解決方案定義收入和支出函數，將任務分解成子任務，機器人在執行任務時，為了獲得最大的個人收入就會出現合作和競爭，從而實現目標。這種基于自由市場體系的控制方法由于沒有集中控制而會有很高的魯棒性，并且能夠在動態環境中有效地利用資源。這種控制體系本質上是分布式的，但有時會形成集中式的子組以提高效率。

    在群體體系結構中還涉及同構與異構的問題。如果群體中所有機器人的能力一樣，則這樣的系統為同構系統，如果群體中機器人的能力不盡相同，那么這樣的系統為異構系統。相比之下，異構系統更具有普遍性，但它會使問題更復雜，任務分配更加困難，智能體更需要對群體中的其它個體建模。在異構系統中，任務分配一般按個體的能力來確定，在同構系統中，各智能體需要被區分為不同的角色，以便控制時加以識別。群體體系結構要能夠適應動態自組織的要求。在系統拓撲結構可變情況下，動態選舉組織智能體和建立多智能體之間的關系是建立體系結構時要考慮的問題之一。目前的研究中以同構系統居多。

    在協作多機器人系統中，比較典型的體系結構有GOFER、MURDOCH、KAMARA、ALLIANCE、STEAM、CEBOT、SWARM等。

    Caloud和Lepape等人用GOFER體系結構研究了室內環境中多個移動機器人進行分布式求解問題。在該體系結構中，有一個中心任務規劃系統（CTPS）。CTPS與所有的機器人進行通信，對所有機器人的運行狀態和任務的完成情況有全局了解。然后，CTPS產生計劃結構，并將其通知所有的機器人。機器人利用任務分配算法來決定自身的角色。這樣，各機器人就可以知道系統在完成任務的過程中自身的目標，并利用傳統的AI規劃技術來實現該目標。利用GOFER已經成功地完成了三個機器人進行推箱子、跟蹤等任務。

    Gerkey和Mataric等人提出了MURDOCH體系結構，它是一種以資源為中心的信息交流模型。該結構的主要特點在于，所有的通信交流都是以完成某任務所需要的資源為中心的，而不是基于名稱的。所有的任務分配都是根據單輪的拍賣交易而定。拍賣者決定誰是贏家，并通知該出價者。贏家獲得了任務合同，并要在有限的時間內完成該任務。拍賣者負責監控任務的完成情況，并周期性地給贏家發送合同更新信息，贏家要返回確認信息。這些信息交流就對通信系統提出了一定的要求。如果拍賣者沒有及時收到確認信息，則它認為贏家機器人已經出現了故障，并將該任務交給其它的出價者來完成。這樣，系統中就可能有多個機器人來完成同一項任務。

    為了研究松耦合的中小型異構機器人團隊的合作問題，Parker等人設計了ALLIANCE體系結構，它是一種具有容錯和自適應能力的多機器人協調體系結構。單個機器人采用基于行為的控制器，并將行為擴展為“行為集合”，這些行為集合可以完成一定的任務。這些行為集合靠動機行為（如急躁、默許）激活，從而使機器人去完成其它機器人不能完成的任務或放棄自己不能完成的任務。這就要求機器人可以通過感知或明確的廣播通信獲得它自身以及其它機器人的行為結果。雖然在這種體系結構中機器人團隊具有容錯能力和適應性，但系統不能夠對動態變化的條件作出快速優化的反應。利用這種結構已經實現完成了推箱子、收集圓盤、隊形前進等任務。

    CEBOT是一種分散式、分層體系結構，它是由Fukuda和Nakagawa等人從生物學中的細胞結構獲得靈感而提出的。系統中的“細胞”就是自主機器人，它和其它的“細胞”相互耦合，并可以根據環境的變化動態地重新配置它們的結構，從而達到某種最優的結構。CEBOT的層次中，“主細胞”(master cell) 用來協調子任務并和其它的主細胞進行通信。其他的一些學者還對這種體系結構中主細胞的選擇機制、通信以及對細胞行為的建模等問題進行了研究。

    總之，雖然許多多機器人協作結構已經在機器人系統上得到了實現，并取得了不同程度的成功，但都需要滿足一定的前提條件。至今仍然沒有一種通用的體系結構可以滿足在動態環境中多機器人有效協作的所有準則。

    對于單機器人來說，主要有分層遞階和基于行為兩種體系結構。

    (2)通信與協商

    為進行合作，多智能體之間要進行協商。協商從形式上看是合作前或合作中的通信過程。因此，通信是多機器人系統動態運行時的關鍵。一些研究雖然在探討無通信的合作，但依據通信使系統效率得到提高是更實際的。按照交互方式可以將通信分為三類：

    通過環境實現交互  即以環境作為通信的媒體，這是簡單的交互方式，但機器人之間并沒有明確的通信。

    通過感知實現交互  機器人之間距離在傳感器感知范圍之內時，可以相互感知到對方的存在，感知是一種局部的交互，機器人之間也沒有明確的通信。這種類型的交互要求機器人具有區分機器人與環境中物體的能力。多智能體機器人系統由于每個機器人都可能具有自己的傳感器系統，整個系統的傳感器信息融合和有效利用是一個重要問題。

    通過明確的通信實現交互  機器人之間有明確的通信，包括直接型通信和廣播型通信。

盡管計算機網絡通信提供了機器人之間通信的基本解決方案，但適合多機器人的實時性要求的通信協議、網絡拓撲結構及通信方式還需要進行研究。目前計算機網絡技術的迅速發展，為分布式信息處理系統帶來極大的便利。多機器人系統作為典型的分布式控制系統之一，網絡結構將是其特征之一。但是，多機器人系統的通信與面向數據處理與信息共享的計算機網絡通信有很大的不同。如果機器人之間過分依賴通信進行信息獲取，那么，當機器人數量增加，系統通信就會變成提高系統效率的瓶頸。因此，既要研究適合多機器人系統通信的機制，又要利用智能體機器人具有對周圍環境的感知和推斷能力，研究機器人系統能基于對合作伙伴的行為推斷，輔之以必要的通信的控制策略。

    (3)學習

    找到正確的控制參數值，從而導致協作行為對于設計者來說是一項花費時間且困難的任務。學習是系統不斷尋找或優化協作控制參數正確值的一種手段，也是系統具有適應性和靈活性的體現。因此，非常渴望多機器人系統能夠學習從而優化控制參數完成任務，且能適應環境的變化。強化學習(Reinforcement learning)是多機器人協作系統中經常使用的一種學習方式。

    (4)建模與規劃

    如果智能體對與之協作的其他智能體的意圖、行動、能力和狀態等進行建模，可使智能體之間的合作更有效。當智能體具有對其他智能體行為進行建模的能力時，對通信的依賴也就降低了。這種建模要求智能體能夠具有關于其他智能體行為的某種表達，并依據這種表達對其他智能體的行動進行推理。

    根據系統全局目標，各智能體應采用反應式規劃的方法，包括由全局任務級規劃到各智能體動作級規劃的實現，傳感器信息的利用，智能體間任務轉移，事件驅動的行為響應(事件包括來自傳感器、人機接口信息和其他智能體的通信)等。

    (5)防止死鎖與避碰

    多個智能體機器人在共同的環境中運行時，會產生資源(如時間和空間)沖突問題。碰撞實際上也是一種資源沖突。在解決資源沖突的過程中，如果沒有適當的策略，系統會造成一種運行的動態停頓。通過規劃(如事先確定某些規則、優先級等)，可以避免一部分死鎖與碰撞。多智能體機器人系統在事先難于預料的重組后，其死鎖避碰問題仍是富有挑戰性的題目。

    (6)合作根源

    智能體之間能否自發地產生合作，合作動機是什么，是一個令人感興趣的問題。目前的多機器人系統研究中幾乎都是人為地假設了合作必然發生。McFarland定義了自然界中的兩種群體行為：純社會行為(eusocial behavior)和協作行為。純社會行為可以在螞蟻或蜜蜂這一類昆蟲群體中發現，是個體行為進化所決定的行為。在這樣的社會中，個體智能體的能力十分有限，但從它們的交互中卻呈現出了智能行為。這種行為對生態群體中個體的生存是絕對必要的。協作行為是存在于高級動物中的社會行為，是在自私的智能體之間交互的結果。協作行為不象純社會行為，不是由天生行為所激發的，而是由一種潛在的協作愿望，以求達到最大化個體利益所驅動的。生物學系統的群體行為是有啟發的，但在目前機器人的智能水平上實現也許為時尚早，但這個問題的研究會有助于實際系統的設計與實現。

    (7)多智能體機器人控制系統的實現

    傳統的商品化機器人控制器是面向機器人以部件單元式應用而發展起來的，難于滿足多機器人協作控制的要求。多智能體機器人控制器與傳統的機器人控制器將有很大的區別，它不僅要求較高的智能與自治的控制能力，而且要有易于協作、集成為系統工作的機制與能力。在控制器實現時，要具備支持協作的新軟件和硬件體系結構，如編程語言、人機交互方式、支持系統擴展的機制等。在具有分布式控制器的多機器人系統中，構造與實現系統(包括支持多機器人協調合作的問題求解或任務規劃機制，控制計算機系統架構，分布式數據庫等)應能使系統具有柔性、快速響應性和適應環境變化的能力。

    5 多機器人系統的研究發展趨勢

    由于協作機器人學是一個高度交叉的學科，其它相關學科的發展對它的影響很大，研究協作多機器人系統需要借鑒這些學科或解決某些問題的理論和方法，這是研究多機器人系統的發展方向和趨勢，具體來說，這些學科有：

    分布式人工智能(DAI)

    DAI主要研究由智能體組成的分布式系統，它分為兩個部分：分布式問題求解(DPS)和多智能體系統(MAS)。DPS主要研究利用多個智能體解決同一個問題，智能體獨立地解決每個子問題或子任務，并周期性地進行交流結果。DPS中至少有三方面可以供多機器人系統借鑒：問題分解（任務分配）、子問題求解以及解綜合。

    MAS研究多智能體的群體行為，這些智能體的目標存在潛在的沖突。MAS可以供協作多機器人學借鑒的東西不只是MAS的一些具體的結論,更重要的是它的方法，如Agent建模方法、Agent的反射式行為驅動策略、Agent的拓撲結構、組織方法、多機器人Agent系統的框架、通信協議、磋商和談判策略以及系統的實現方法等。

    分布式系統(Distributed System)

    多機器人系統實際上就是一個分布式系統的特例，因此分布式系統是解決多機器人系統問題的重要思想來源。但分布式計算僅僅提供理論基礎，具體的應用還有具體分析。利用多機器人系統與分布式計算系統的相似性，一些學者已經利用分布式系統的理論試圖解決死鎖、消息傳遞、資源分配等問題。

    生物學(Biology)

    生物學中螞蟻、蜜蜂及其它群居昆蟲的協作行為提供了有力的證據：簡單的智能體組成的系統能完成復雜的任務。這些昆蟲的認知能力非常有限，但通過相互交互就可以出現復雜行為。研究其自組織機制和合作機制，對于實現多機器人系統的協作將很有幫助。

    另外，相關的學科還有社會學、生命科學以及工程學等。