机器人集群中涌现行为的物理信息建模与控制

Physics-Informed Modeling and Control of Emergent Behaviors in Robot Swarms

机器人群体可以通过局部感知、有限通信和分散决策展现出连贯的集体行为，然而当行为在多个阶段展开时，对其建模和控制仍具有挑战性。在此，我们引入PhySwarm，这是一个物理信息驱动的微观-宏观框架，将多阶段群体涌现表征为受物理约束的密度场演化，并与可执行的机器人运动相耦合。在宏观层面，一个多相平流-扩散-反应模型（Macro-ADR）通过定向输运、基于扩散的空间调节和行为相位转换来描述与阶段相关的群体密度演化。在微观层面，一个等效确定性运动模型（Micro-EDM）通过势场平流、密度梯度补偿以及速率或事件触发的相位切换来实现这些机制。一个神经物理控制器（NPC）将局部观测和时间记忆映射到有界物理参数，并通过强化学习-PINN目标进行训练，该目标结合了任务奖励、宏观尺度密度残差和微观尺度运动一致性约束。在几个概念验证的群体任务中——包括痕迹引导觅食、队形可重构导航以及角色自适应搜索与救援——我们证明了PhySwarm能够在一个统一的物理信息建模框架内生成不同的多阶段涌现行为。学习得到的密度场和物理参数提供了可解释的证据，说明平流、扩散和反应如何共同调控多阶段群体组织。这些结果为机器人群体中涌现行为的学习、解释和控制提供了一条物理信息驱动的路径。