一群30架无人机同时升空，机箱底盘的下部以30种不同的阴影发光-它们看起来像是散布在灰色多云的天空中的荧光糖果。 然后它们冻结悬浮在空气中。 几秒钟后，它们全部开始移动，成为一个。
当新形成的羊群移动时，其成员的夜光会变为一种颜色-绿色。 他们决定往东走。 最初的无人驾驶飞机正在接近障碍物，它们的双足un向南转时会变成蓝绿色。 很快，包中最后一个成员的颜色变为相同。
这是美丽的，而且以其自己的方式令人惊讶：这些无人机独立地组织了一个连贯的蜂群，并且飞行时不会彼此碰撞，而且-最令人惊讶的是-没有任何中央控制模块。
这从根本上将它们与无人驾驶飞机区分开来，您可以在超级碗或奥运会开幕式的某个地方看到它们。 是的，这些直升飞机机队可以编号成千上万个单元，但是每个单元的运动和位置都已预先编程。 这30架无人机中的每架都独立跟踪其位置，速度，并同时与该群的所有其他成员共享此信息。 他们没有领袖。 他们共同决定要去哪里-并且从字面上看，他们是即时进行的。
从这个意义上讲，它们看起来像鸟。 或蜜蜂或蝗虫。 或在任何能够独立，雄伟而神秘地组织成连接组的生物上-这就是个体行为的
新兴属性 。 几年前，研究人员能够从10架无人机实现这一目标。 今天，这个数字已经增加了两倍。
但是，这样做不仅困难三倍。 最新一期的《科学机器人》中介绍了逼真的植绒模型，从而使无人机能够编队。 布达佩斯大学生物物理系机器人实验室主任
加博尔·瓦萨里（GaborVásárhelyi）说：“仅凭数字无法说明它的复杂性。” “有三个孩子的父母意识到管理他们要比有一个孩子困难得多。 如果您有20-30个孩子，那么复杂性就会增加几个数量级。 我已经知道我有三个儿子。”
Vasarely的团队基于数千个仿真开发了一个模型，该仿真使用了数百代的进化算法。 “他们设法以分散的方式组织这一事实真是太酷了，”纽约州立大学布法罗分校的机器人专家Karthik Dantu说，他是一位多机器人协调专家，并未参与此项研究。 “每个机器人都做自己的事情，并且出现大量行为。”
在协调系统中，参与者数量的增加导致错误的可能性增加。 一阵风会把一架无人驾驶飞机击落，其余的将会跟随。 四轴飞行器可能会错误地确定其位置，或失去与邻居的联系。 这些错误在整个系统中都是级联的。 飞行轨迹可能会导致轻微的延误，例如交通拥堵，这是由一辆制动的汽车引起的。 小故障可以迅速造成混乱。
但是Vasarely的团队制作了一个植绒模型，可以预测尽可能多的故障。 因此，它们的无人机不仅会在模拟中蜂拥而至，而且在现实世界中也会蜂拥而至。 与这项研究无关的机器人专家Tonnes Nigaard说：“这真令人印象深刻。” Nigaard是奥斯陆大学的“具有认知实现的工程可预测性”项目的研究员，并且致力于缩小步行机器人模拟与实际的人工四足动物之间的差距。 他说：“模拟当然很棒，因为模拟使简化机器人的工作条件变得更加容易，并且您可以隔离并调查问题。” 但是问题在于，研究人员可以迅速滑向过度简化的过程，从而从仿真中消除现实世界的特征，而这可能取决于他们的模型是否成功。
Vasarely和团队没有从植绒模型中消除复杂性，而是添加了它们。 在其他模型可以对无人机的操作施加两个或三个限制的地方，它们施加了11个约束。例如，它们共同决定了无人机与机队其他成员的对线速度，与邻居之间的距离以及主动性他应该努力支持他。
为了找到所有11个参数的最佳值，Vasarely和他的团队使用了一种进化策略。 他们在超级计算机上使用11个参数创建了该模型的随机版本，并观察了100个无人机群在每个选项下的行为。 然后，他们选择了最成功的羊群模型，调整了参数，然后再次开始仿真。
有时，令人鼓舞的一组参数令人困惑。 他们向后退了几步，可能结合了两个不同的有希望的规则集的属性，并再次进行了模拟。 经过几年的工作，150代和15,000次仿真，他们得出了一组参数，他们确信，这些参数应该可以与真正的无人机一起使用。
尽管这些无人机表现出色， 在现实世界中对其模型进行的测试尚未导致一次碰撞。 飞行不仅表现出色，而且具有不同的颜色-飞机底盘的颜色指示了其运动方向。 最初，这是针对涉及无人机的灯光表演完成的，但是最后，研究人员决定增加这样的机会来测试设备。 Vazarely说，这极大地促进了可视化无人机状态的任务，也使他们更容易发现错误并在系统中进行更正。
而且还非常漂亮-复杂系统协调的自动发光可视化。