【摘 要】现有群体智能系统执行探索任务时往往获取、计算和传输大量冗余信息，造成群智系统资源利用效率低下。设计任务驱动的计算和通信资源高效融合利用机理成为亟待解决的关键科学问题。基于此，提出了一种脑注意力机制启发的群体智能协同避障方法。受脑注意力机制启发，群智系统引入基于深度Q网络的传感器智能选择模块，实现在探索未知环境时高效选择传感器的工作状态，利用尽量少的传感器开销获取和计算关键信息；以最佳交互碰撞避免算法为基础，单一智能体融合邻居智能体的少量关键信息，驱动传感器智能选择模块，在完成集群协同避障的同时，大幅降低传感器获取和计算信息的冗余度。在仿真平台及Kehepera IV机器人实际场景中进行验证，结果显示，所提方法可以显著降低集群系统传感器的信息冗余度，并且随着智能体数量以及信息交互量的增加，性能增益更加显著。
【关键词】群体智能 ; 资源利用效率优化 ; 深度Q网络 ; 最佳交互碰撞避免
0 引言
智能移动机器人集环境感知、动态决策与规划、行为控制与执行等多功能于一体，并且涵盖了计算机与电子工程、自动化控制、信息处理等众多领域的研究成果，在物流分拣、工业制造、抢险救灾等应用中发挥了巨大的作用，也能代替人进行一些极端环境下的作业。在未知环境下进行路径选择以及自主避障是移动机器人进行路径规划必不可少的基本能力之一。在早期，国内外围绕单个移动智能体导航及避障的研究已经取得了很多不错的成果。然而很多算法都依赖于已知条件下的环境，在实际应用中有很大的局限性。近年来，基于深度学习的算法不断被提出，在未知环境中也能发挥出良好的效果。但随着技术的进一步发展，单个移动机器人的局限性越来越突出，人们迫切需要一种作业效率和可靠性更高的智能系统。因此将目光逐渐从单智能体转向群体智能，在比较密集的环境中进行群体智能