自然界中到處可見自組織的動物群體，大量智商簡單的個體利用局部相互作用，足以產生令人印象深刻的全局行為，進而讓整體協作的表現大於其各個部分的總和。
這種現象通常出現在昆蟲群、鳥群和魚群之中。其中，魚群就有著非常突出的表現。
它們成千上萬條相互結伴，在海洋中遷徙，在珊瑚礁中穿梭，一起高效協作尋找資源、食物，甚至會動態組成各種形態，調整遊動速度，以捕獲獵物或躲避掠食者，更神奇的是，這一切並不依靠某個魚群領袖來指揮。
魚群的集體行為主要依靠「隱性協調」：即個體魚類能基於對身邊同伴的視覺觀察做出決策，一些魚類在低能見度條件下，還可以利用身體側線感知「鄰居」，這讓魚群成功地解決了水下通信的挑戰，實現了族群的可擴展性和健壯性。
這種分散的、自主的組織和協調方式，長期以來吸引著科學家摸索，尤其是在機器人領域，數學家和工程師們試圖破解從局部交互到全局行為的映射，以期讓機器人的集體行為更加強大。
日前，來自哈佛大學的科學家們就從魚群中汲取靈感，研發出了一批水下機器人，這種機器人可以像真正的魚群一樣同步運動，且不需要任何外部控制。同時，他們也首次利用水下機器人展示了具有隱性協調的複雜三維集體行為，該論文發表在《科學機器人》（Science Robotics）上，並被遴選為2021年1月份的月度封面。
水下機器人難「組團」
事實上，通過科研人員的編程工作，成群的、有組織的機器人運動，對人們來說並不陌生。
例如，在空中領域，大型無人機群已經可以表演複雜的排列演習，但需要依靠集中式基站或外部全局的位置信息，而不是本地和自組織的相互作用；在地面上，很多爬行或輪式機器人也能進行不同的組織排列和調度，但依賴於機器人之間交換 GPS位置或通過信標來推斷相對位置，最典型的應用可能是倉庫中的搬運機器人；此外，能組團跳舞、表演節目的機器人也數不勝數。
與上述空、地機器人相比，水下機器人尚未實現類似的組織水平，其中一大障礙便是傳統的地上通信方法（比如無線電）在水下的性能很差，而且位置定位方法（比如 GPS）幾乎不可用。
此前，業內已有研究小組曾通過設計新的通信和定位方法來進行更複雜的水下協調，比如利用光學/聲學數據機，搭建異構的機器人群體，這需要增設水面輔助機器人和浮動基站等，通過多模式通信和任務專門化來實現更複雜的操控，但這種解決方案大大增加了工程和控制的複雜性。
怎樣才能用更低成本讓機器人群像魚群一樣，具有無縫、連貫的協調性和高度的可操作性，並且獨立於外界輔助技術呢？這就是組織水下機器人群體運動的研究難點。
「機器人經常要被部署在人類無法接近或危險的地區，在這些地區，人類甚至不可能進行干預。在這種情況下，擁有一個高度自治、自給自足的機器人群很有必要。通過使用隱式規則和三維視覺感知，我們能夠創建一個在水下具有高度自治性和靈活性的系統，即使是在 GPS和 Wi-Fi等通信信號無法訪問的情況下。」該論文的作者之一弗洛里安·伯林格（Florian Berlinger）說道。
三種組織形態，靈活組合
目前，伯林格是哈佛大學約翰·保爾森工程與應用科學學院（SEAS）和懷斯生物啟發工程研究所的一名博士，他所在的研究小組給出了一種解決方案：給每個機器人小魚裝配上 LED燈，並基於此開發了一套水下視覺協調系統。
這項研究中，單只機器小魚被命名為「Bluebot」，研究人員共組裝了7隻，它們組成的系統則被稱為「Blueswarm」。
Bluebot的關鍵組件（來源：Berlinger）
Bluebot的功能設計包括三個主要模塊：
2個攝影頭可對周圍環境進行3D感知；
3個 LED燈作為主動信標，用於相互識別；
4個獨立可控鰭片可提供3D空間遊動。
機載魚眼鏡頭相機可檢測到最遠5m相鄰 Bluebot的 LED燈光和閃爍信號，並使用自定義算法確定其距離、方向和航向。
僅使用基於視覺的局部交互，研究人員報告了幾個自組織的水下機器人集體行為示例，這些行為包括協調同步時間，空間受控分散和動態旋轉運動等，最後以多種行為的組合來實現搜索任務操作。
所有這些都可以通過使用非常簡單的通信方式來實現，並且在位置感測或控制方面沒有任何外部輔助，這成功驗證了三維空間中隱式、自組織和分散協調的水下機器人集合的概念。
具體而言，這項工作大概有3個關鍵的環節需要實現：
1、跨時間的自組織。就像螢火蟲通過閃爍來吸引伴侶一樣，7個 Bluebots機器人的 LED同時閃爍，相互之間會觀察相鄰同伴的閃爍情況，並在經過三輪不同步閃爍後，調整各自的閃爍周期以實現同步。
這種針對多機器人、分布式情況的「螢火蟲同步算法」也有一個專業名詞，叫做 Mirollo-Strogatz模型。
2、跨空間的自組織。有科學研究認為，一條魚在魚群中，距離的控制受到附近鄰居的虛擬力影響，距離太近的鄰居會排斥，距離太遠的鄰居會吸引，儘管虛擬力的確切形式仍未知。
但研究人員也是借用這種原理，Bluebot用視覺來確定鄰居的相對位置，並在沒有任何直接交流的情況下做出含蓄的反應。不管採用哪種方法，虛擬力模型的結果都是一樣的：機器魚群傾向於分散在一個區域，排斥力和吸引力的平衡決定著它們的密度和擴散程度。
自組織的動態圓的形成
3、動態旋轉運動。魚群最酷炫的技能，便是海洋中壯觀的「魚群風暴」了，它們經常利用這種方式來躲避捕食者的追殺，搞得捕食者暈頭轉向。
在這項研究中，研究人員利用了類似「銑削」結構的行為規則，該規則不依賴於對每個可見鄰居的單獨反應，而僅依賴於單個二進位信息源，該信息源指示至少一個其它機器人是否在視線內。
在這種情況下，機器人有一個設定，如果看不到任何其他任何鄰居，則稍微向右游轉，如果看到任何機器人，則稍微向左轉，多圈下來，機器人自發聚集，組成了動態圓運動行為。
最後，研究人員在分散複雜性演示中，結合了多種行為以實現集體搜索操作。
在魚類、機器人甚至人類集體中，掃描環境的工作可以在組成個體之間共享，從而可以減輕每個個體的負擔，同時實現更高的集體警覺性。
未來能用於水下搜索
Blueswarm的相關研究工作是在哈佛大學拉迪卡·納格帕（Radhika Nagpal）實驗室進行的。納格帕目前擔任哈佛大學 SEAS的Fred Kavli計算機科學教授，以及懷斯生物啟發工程研究所副教授，她領導著自組織系統研究小組，探索受生物啟發的機器人技術和生物多代理系統的科研工作。
早在2014年，她的實驗室就曾經創建過一個由1024個微型機器人組成的陣列 Kilobots。當時 Kilobots的設計靈感來自於白蟻蟻群，這些數以千計的分布式機器人，內置紅外發射器和接收器，允許個體與一些鄰居進行通訊並測量它們的接近性，最終完成指定形態的排列組合。
圖｜ Kilobots機器人
對於此次機器魚的研究成果，納格帕表示：「Blueswarm代表了水下機器人3D自組織集體行為研究的重要里程碑。這項實驗的相關成果將幫助我們在未來開發微型水下群體機器人，它們可以在水下進行環境監測和搜索。該研究還通過綜合再現它們的行為，為更好地了解魚群鋪平了道路。」
據論文描述，在所有演示的行為中，Bluebots僅依靠本地視覺信息，這些信息實時獲取和處理，這些協調技術對不完善的知識具有魯棒性，並且能夠從看似簡單的交互中，延伸出複雜而動態的全局行為。
當然，論文在總結中也提到了一些局限性，比如使用低成本的鰭式執行器的運動效果並不理想，另外，如果在渾濁的水域等視覺較差的環境下，可能需要組合其他傳感器套件等。
關於這項水下機器人成果的展望，研究人員表示，也將有助於實現機器人的無監督技能進化，從而有可能結合多種機器人模式（空中、地面、水面和水下），來實現可擴展且強大的冒險活動。
未來，這些機器人可以集體出動，去搜索失事飛機的殘骸，落難船隻和落水人員，以及應用到諸如環境監測、在珊瑚礁和沿海水域的搜索任務等。
