研究人员提出了一种基于mean-shift探索思想的机器人群体形状装配新策略:当机器人被邻近的机器人和未被占用的位置包围时，它通过探索期望形状中附近未被占用的位置的最高密度，主动放弃其当前位置。
这项名为“机器人群体形状组装中的均值偏移探索”的研究发表在《自然通讯》上。
这个想法是通过采用mean-shift算法来实现的，mean-shift算法是一种广泛用于机器学习的优化技术，用于定位密度函数的最大值。
当被其他机器人和无人位置包围时，机器人在期望形状中探索附近无人位置的最高密度，并通过mean-shift优化确定。
通过50个地面机器人群的实验验证了所提出的策略，这表明了它的潜力，可以适应产生有趣的行为，包括形状再生、合作货物运输和复杂环境探索。
谢菲尔德大学的Roderich Gross博士与西湖大学、北京航空航天大学和清华大学的研究人员合作开展了这项工作。
更多资料:孙桂斌等，机器人群体形状装配的Mean-shift探索，自然通讯(2023)。DOI: 10.1038/s41467-023- 39257 -5期刊信息:自然通讯由谢菲尔德大学提供引文:工程师建造机器人群，可以以分布式方式组装和修复其形状(2024年，2月12日)检索自2024年2月12日https://techxplore.com/news/2024-02-robot-swarm-manner.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
