18 智能系统学报 第6卷 多机器人的任务分配问题在不同情况下可分别 务描述为求解所需的能力向量，结合机器人的能力 看作最优分配问题（optimal allocation problem, 状态，可实现任务的灵活求解；而文献[8283]提出 OAP)、整数线性规划问题、调度问题、网络流问题和 行为模式的概念，通过传感信息共享，可以实现各种 组合优化问题]，其解决方法主要有基于行为的分 新任务的自动求解，并获得很好的灵活性、鲁棒性和 配方法、市场机制方法、群体智能方法、基于线性规 代码可重用性. 划的方法、基于情感招募的方法和基于空闲链的方 2.3.2协调机制 法等]，具体见表4. 简而言之，多机器人协调问题即是各机器人行 表4任务分配方法的对比 动的同步化操作问题).多机器人系统在协作完成 Table 4 Comparison for task allocation methods 复杂任务时，应尽量减少相互之间的干扰、冲突，保 分类 特点 典型方法 证在任务的执行上具有目的一致性，否则系统会由 直接找到具有最大效BLE方法侧)、Parker的 于额外增加的复杂性，导致效率下降，最终难以得到 用的机器人任务对，将ALLIANCE方法)、L 优化结果. 行为 任务分配给指定机器ALLIANCE方法 早期的协调控制研究主要是载荷分配、运动分 方法 人，分配以后不再考 ASyMTRe方法[]和 解、避碰轨迹规划、操作柔性体或大型物体等，近年 虑。 ASyMTRe-D方法]. 来研究逐渐转向目标搜索、多机器人停驻等问题.如 文献[37]在一个递阶混合式协调结构中采用离散 基于协商谈判的分布Smith的合同网)、 事件动态系统理论中的有限状态机(finite state au- 式分配方法.适用于任 Caloud的集中式拍卖 tomaton,FSA)方法实现行为的协调；而文献[99]也 市场务和状态可知的中小算法4)、Behauh的组合 采用SA实现任务执行的协调操作.动态环境的多 机制规模异构系统，可实现拍卖方法[]、☑t的基 机器人协调路径规划已有基于“空间时间”的规划 方法全局最优任务分配，资于任务树拍卖方法的 方法和人工势场法2种基本解决方法，但当问题复 源消耗多，对通信依赖Lovekesh的RACHNA 性高 方法， 杂时，都无法保证能得到协调无冲突的解.Sapthari- i等进一步提出基于统计运动状态估计的动态权 无集中控制器，不依赖 群体 阔值法、蚁群算 限分配策略进行协调路径规划1.此外，也有不少 于全局模型，鲁棒性 智能 法以及二者的结合 人提出了采用基于遗传算法的协调求解方法，但收 好，间接通信开销小， 方法 敛速度慢、计算复杂] 可扩充性好， 方法[0]. 在同一环境中运行的多个机器人经常会发生资 运算量随系统规模呈 线性 基于0-1型整数线性规 源共享冲突，对于可预见的冲突，可通过协作机制中 指数级增长，需要全局 规划 划方法]、基于混合整 的规划操作加以避免.但是仅依靠规划的方法避免 信息和集中管理，扩展 方法 数线性规划方法[觉] 冲突，系统的适应性非常有限，因为系统动态运行的 性差，效率低。 情感 状况常常无法事先准确预测，故文献[101-102]考虑 引入情感的分布式分配 Gage等提出的情感招 招募 采用强化学习算法获取多机器人系统的冲突消解策 方法，无需彼此建模 法 募方法[叫 略.此外，死锁也是多机器人系统经常遇到的问题， 空闲考虑了机器人的相互 其源于机器人顽固地执行一件自己“力所不及”的 链方作用，能够显式地处理 Dahl提出的TAVCC] 任务，从而丧失了完成其他任务的机会.对于多机器 法 群动态的影响， 人任务协作时的死锁问题，文献[89]中提出了自适 总的说来，当前基于市场机制的任务分配策略 应衰减因子的方法，而文献[103]中则使用人工协 研究较多6]，而有待深入研究的问题包括动态、未 调场来解决，但动态环境中的死锁检测与消解，仍是 知环境下的任务动态分配和再分配问题，任务预测 极具挑战性的难题30 与任务分解问题以及异构大规模系统和复杂任务的 2.3.3学习优化 任务分配问题等， 实际的多机器人系统所处工作环境瞬息万变， 目前的任务分配主要通过预先手动分解为子任 具备高度的复杂性和难于建模的特性，不可能在研 务，再进行任务分配.自动任务分解和求解问题是多 制期间就完全预知未来的环境变化情况并给出对应 机器人系统研究的难题之一，但文献[97]通过将任 策略，因此需要研究具有自适应能力的学习方法来