自然界中到处可见自组织的动物群体，大量智商简单的个体利用局部相互作用，足以产生令人印象深刻的全局行为，进而让整体协作的表现大于其各个部分的总和。

这种现象通常出现在昆虫群、鸟群和鱼群之中。其中，鱼群就有着非常突出的表现。

它们成千上万条相互结伴，在海洋中迁徙，在珊瑚礁中穿梭，一起高效协作寻找资源、食物，甚至会动态组成各种形态，调整游动速度，以捕获猎物或躲避掠食者，更神奇的是，这一切并不依靠某个鱼群领袖来指挥。

鱼群的集体行为主要依靠“隐性协调”：即个体鱼类能基于对身边同伴的视觉观察做出决策，一些鱼类在低能见度条件下，还可以利用身体侧线感知“邻居”，这让鱼群成功地解决了水下通信的挑战，实现了族群的可扩展性和健壮性。

这种分散的、自主的组织和协调方式，长期以来吸引着科学家摸索，尤其是在机器人领域，数学家和工程师们试图破解从局部交互到全局行为的映射，以期让机器人的集体行为更加强大。

日前，来自哈佛大学的科学家们就从鱼群中汲取灵感，研发出了一批水下机器人，这种机器人可以像真正的鱼群一样同步运动，且不需要任何外部控制。同时，他们也首次利用水下机器人展示了具有隐性协调的复杂三维集体行为，该论文发表在《科学机器人》（Science Robotics）上，并被遴选为 2021 年 1 月份的月度封面。

图｜封面（来源：Science Robotics）

水下机器人难“组团”

事实上，通过科研人员的编程工作，成群的、有组织的机器人运动，对人们来说并不陌生。

例如，在空中领域，大型无人机群已经可以表演复杂的排列演习，但需要依靠集中式基站或外部全局的位置信息，而不是本地和自组织的相互作用；在地面上，很多爬行或轮式机器人也能进行不同的组织排列和调度，但依赖于机器人之间交换 GPS 位置或通过信标来推断相对位置，最典型的应用可能是仓库中的搬运机器人；此外，能组团跳舞、表演节目的机器人也数不胜数。

与上述空、地机器人相比，水下机器人尚未实现类似的组织水平，其中一大障碍便是传统的地上通信方法（比如无线电）在水下的性能很差，而且位置定位方法（比如 GPS）几乎不可用。

此前，业内已有研究小组曾通过设计新的通信和定位方法来进行更复杂的水下协调，比如利用光学/声学调制解调器，搭建异构的机器人群体，这需要增设水面辅助机器人和浮动基站等，通过多模式通信和任务专门化来实现更复杂的操控，但这种解决方案大大增加了工程和控制的复杂性。

图｜机器鱼与真正的鱼在一起游动（来源：Berlinger）

怎样才能用更低成本让机器人群像鱼群一样，具有无缝、连贯的协调性和高度的可操作性，并且独立于外界辅助技术呢？这就是组织水下机器人群体运动的研究难点。

“机器人经常要被部署在人类无法接近或危险的地区，在这些地区，人类甚至不可能进行干预。在这种情况下，拥有一个高度自治、自给自足的机器人群很有必要。通过使用隐式规则和三维视觉感知，我们能够创建一个在水下具有高度自治性和灵活性的系统，即使是在 GPS 和 Wi-Fi 等通信信号无法访问的情况下。” 该论文的作者之一弗洛里安·伯林格（Florian Berlinger）说道。

三种组织形态，灵活组合

目前，伯林格是哈佛大学约翰·保尔森工程与应用科学学院（SEAS）和怀斯生物启发工程研究所的一名博士，他所在的研究小组给出了一种解决方案：给每个机器人小鱼装配上 LED 灯，并基于此开发了一套水下视觉协调系统。

这项研究中，单只机器小鱼被命名为“Bluebot”，研究人员共组装了 7 只，它们组成的系统则被称为“Blueswarm”。

图｜Bluebot 的关键组件（来源：Berlinger）

Bluebot 的功能设计包括三个主要模块：

2 个摄像头可对周围环境进行 3D 感知；

3 个 LED 灯作为主动信标，用于相互识别；

4 个独立可控鳍片可提供 3D 空间游动。

机载鱼眼镜头相机可检测到最远 5m 相邻 Bluebot 的 LED 灯光和闪烁信号，并使用自定义算法确定其距离、方向和航向。

仅使用基于视觉的局部交互，研究人员报告了几个自组织的水下机器人集体行为示例，这些行为包括协调同步时间，空间受控分散和动态旋转运动等，最后以多种行为的组合来实现搜索任务操作。

图｜Blueswarm 平台（来源：Science Robotics）

所有这些都可以通过使用非常简单的通信方式来实现，并且在位置感测或控制方面没有任何外部辅助，这成功验证了三维空间中隐式、自组织和分散协调的水下机器人集合的概念。

具体而言，这项工作大概有 3 个关键的环节需要实现：

1、跨时间的自组织。就像萤火虫通过闪烁来吸引伴侣一样，7 个 Bluebots 机器人的 LED 同时闪烁，相互之间会观察相邻同伴的闪烁情况，并在经过三轮不同步闪烁后，调整各自的闪烁周期以实现同步。

这种针对多机器人、分布式情况的“萤火虫同步算法”也有一个专业名词，叫做 Mirollo-Strogatz 模型。

2、跨空间的自组织。有科学研究认为，一条鱼在鱼群中，距离的控制受到附近邻居的虚拟力影响，距离太近的邻居会排斥，距离太远的邻居会吸引，尽管虚拟力的确切形式仍未知。

但研究人员也是借用这种原理，Bluebot 用视觉来确定邻居的相对位置，并在没有任何直接交流的情况下做出含蓄的反应。不管采用哪种方法，虚拟力模型的结果都是一样的：机器鱼群倾向于分散在一个区域，排斥力和吸引力的平衡决定着它们的密度和扩散程度。

图｜自组织的动态圆的形成（来源：Science Robotics）

3、动态旋转运动。鱼群最酷炫的技能，便是海洋中壮观的“鱼群风暴”了，它们经常利用这种方式来躲避捕食者的追杀，搞得捕食者晕头转向。

在这项研究中，研究人员利用了类似“铣削”结构的行为规则，该规则不依赖于对每个可见邻居的单独反应，而仅依赖于单个二进制信息源，该信息源指示至少一个其它机器人是否在视线内。

在这种情况下，机器人有一个设定，如果看不到任何其他任何邻居，则稍微向右游转，如果看到任何机器人，则稍微向左转，多圈下来，机器人自发聚集，组成了动态圆运动行为。

最后，研究人员在分散复杂性演示中，结合了多种行为以实现集体搜索操作。

在鱼类、机器人甚至人类集体中，扫描环境的工作可以在组成个体之间共享，从而可以减轻每个个体的负担，同时实现更高的集体警觉性。

未来能用于水下搜索

Blueswarm 的相关研究工作是在哈佛大学拉迪卡·纳格帕（Radhika Nagpal）实验室进行的。纳格帕目前担任哈佛大学 SEAS的Fred Kavli 计算机科学教授，以及怀斯生物启发工程研究所副教授，她领导着自组织系统研究小组，探索受生物启发的机器人技术和生物多代理系统的科研工作。

早在 2014 年，她的实验室就曾经创建过一个由 1024 个微型机器人组成的阵列 Kilobots。当时 Kilobots 的设计灵感来自于白蚁蚁群，这些数以千计的分布式机器人，内置红外发射器和接收器，允许个体与一些邻居进行通讯并测量它们的接近性，最终完成指定形态的排列组合。

图｜ Kilobots 机器人（来源：哈佛大学）

对于此次机器鱼的研究成果，纳格帕表示：“Blueswarm 代表了水下机器人 3D 自组织集体行为研究的重要里程碑。这项实验的相关成果将帮助我们在未来开发微型水下群体机器人，它们可以在水下进行环境监测和搜索。该研究还通过综合再现它们的行为，为更好地了解鱼群铺平了道路。”

据论文描述，在所有演示的行为中，Bluebots 仅依靠本地视觉信息，这些信息实时获取和处理，这些协调技术对不完善的知识具有鲁棒性，并且能够从看似简单的交互中，延伸出复杂而动态的全局行为。

当然，论文在总结中也提到了一些局限性，比如使用低成本的鳍式执行器的运动效果并不理想，另外，如果在浑浊的水域等视觉较差的环境下，可能需要组合其他传感器套件等。

关于这项水下机器人成果的展望，研究人员表示，也将有助于实现机器人的无监督技能进化，从而有可能结合多种机器人模式（空中、地面、水面和水下），来实现可扩展且强大的冒险活动。

未来，这些机器人可以集体出动，去搜索失事飞机的残骸，落难船只和落水人员，以及应用到诸如环境监测、在珊瑚礁和沿海水域的搜索任务等。