導(dǎo)語

近年來，局部規(guī)則驅(qū)動的群體智能建模成為熱點。Boids、Vicsek、Couzin與社會力模型表明簡單鄰域交互即可涌現(xiàn)有序結(jié)構(gòu)，但對異質(zhì)性、環(huán)境場與演化刻畫不足。本期讀書會從經(jīng)典模型出發(fā)，以Master方程與ABM打通微觀到宏觀，并構(gòu)建信息素蟻群與數(shù)據(jù)驅(qū)動魚群burst-and-coast模型，量化社會互動與模式轉(zhuǎn)換。進一步面向集群機器人，將模型落地到通信定位等約束下，實現(xiàn)一致、旋轉(zhuǎn)及混合集群協(xié)同對抗。

內(nèi)容簡介

一、從局部規(guī)則到群體智能：集群行為模型的生成機制

近年來，從局部規(guī)則出發(fā)刻畫群體智能的生成機制，已成為復(fù)雜系統(tǒng)與計算智能領(lǐng)域的熱點方向。Reynolds 的 Boids 三規(guī)則、Vicsek 自驅(qū)動粒子模型、Couzin 感知區(qū)域模型以及 Helbing 社會力模型等經(jīng)典工作表明：個體只需依托鄰域感知與簡單互動，即可自發(fā)形成隊列、環(huán)行、聚散等多樣的時空有序結(jié)構(gòu)。它們從幾何鄰域、速度對齊和“社會力”等不同視角，為理解群體協(xié)同行為提供了基礎(chǔ)范式，但在處理個體異質(zhì)性、環(huán)境信息場和演化過程等方面仍存在局限。本期讀書會將以這些經(jīng)典集群模型為起點，介紹本課題組在多智能體集群建模方面的進展：一方面通過 Master 方程與 Agent-based 模型相結(jié)合，在“微觀決策—宏觀統(tǒng)計”之間建立聯(lián)系；另一方面構(gòu)建基于信息素場的蟻群模型和數(shù)據(jù)驅(qū)動的魚群 burst-and-coast 模型，揭示個體社會相互作用、環(huán)境約束與群體模式轉(zhuǎn)換之間的定量關(guān)系。報告旨在從經(jīng)典模型過渡到改進的模型，展示在保持局部規(guī)則簡潔性的同時如何提升對真實生物集群與工程集群系統(tǒng)的解釋與預(yù)測能力。

二、集群機器人行為涌現(xiàn)及協(xié)同對抗研究

自然界中存在各種令人震撼的生物集群行為。揭示和歸納各類生物涌現(xiàn)行為的普適規(guī)律是當(dāng)今復(fù)雜系統(tǒng)領(lǐng)域研究熱點之一。受到生物集群智能啟發(fā)，集群機器人系統(tǒng)旨在設(shè)計和建立由大量簡單機器人組成的協(xié)同合作系統(tǒng)，通過機器人之間以及機器人與環(huán)境之間相互作用，在宏觀層面自組織涌現(xiàn)出個體層面不存在的集群智能。與簡單個體機器人相比，集群機器人系統(tǒng)具有更好的靈活性、容錯性、可擴展性以及穩(wěn)定性。科學(xué)家發(fā)現(xiàn)通過建立理想化的生物集群模型，將運動個體抽象為質(zhì)點，設(shè)計局部相互作用規(guī)則，在計算機仿真中可以模擬和預(yù)測復(fù)雜的生物集群行為。然而，理想化的生物集群模型往往不能直接應(yīng)用于實際的集群機器人系統(tǒng)。一方面，生物集群模型存在著不可忽略的理想化假設(shè)：個體對局域鄰居無偏好選擇、個體速度大小固定和無邊界限制等；另一方面，集群機器人系統(tǒng)自身也面臨著各種問題與挑戰(zhàn)：計算復(fù)雜度高、通信和定位技術(shù)限制以及難以建立可重復(fù)操作的實驗平臺等，使得當(dāng)前只有少數(shù)實驗成功地實現(xiàn)大規(guī)模集群機器人的自組織涌現(xiàn)行為或者協(xié)同合作完成特定場景的任務(wù)。

根據(jù)上述理想化生物集群模型和實際集群機器人系統(tǒng)面臨的問題與挑戰(zhàn)，本報告以生物集群模型為切入點，多種集群機器人系統(tǒng)為實際應(yīng)用場景，詳細(xì)講解如何在集群機器人系統(tǒng)實現(xiàn)類似生物集群行為的一致、旋轉(zhuǎn)等涌現(xiàn)行為，以及如何在多種混合集群機器人上實現(xiàn)集群協(xié)同和對抗。

分享大綱

內(nèi)容1 經(jīng)典集群模型：局部規(guī)則驅(qū)動的涌現(xiàn)結(jié)構(gòu)

• 內(nèi)容1.1 Boids、Vicsek、Couzin、社會力模型的核心假設(shè)與交互機制

• 內(nèi)容1.2 典型涌現(xiàn)形態(tài)：隊列、環(huán)行、聚散等時空有序結(jié)構(gòu)的生成邏輯

• 內(nèi)容1.3 局限性：異質(zhì)性、環(huán)境信息場與演化過程刻畫不足

內(nèi)容2 課題組建模進展：微觀決策—宏觀統(tǒng)計的橋接

• 內(nèi)容2.1 Master方程 + Agent-based耦合框架：從個體規(guī)則到群體統(tǒng)計規(guī)律

• 內(nèi)容2.2 信息素場蟻群模型：社會相互作用與環(huán)境約束的定量刻畫

• 內(nèi)容2.3 數(shù)據(jù)驅(qū)動魚群burst-and-coast模型：行為機制與模式轉(zhuǎn)換關(guān)系解析

內(nèi)容3 從經(jīng)典到改進：解釋與預(yù)測能力的提升路徑

• 內(nèi)容3.1 保持局部規(guī)則簡潔性的同時引入關(guān)鍵真實因素的策略

• 內(nèi)容3.2 群體模式轉(zhuǎn)換的刻畫：交互、環(huán)境與約束的聯(lián)合作用

• 內(nèi)容3.3 面向真實生物集群與工程系統(tǒng)的可解釋與可預(yù)測建模目標(biāo)

內(nèi)容4 生物啟發(fā)到集群機器人：系統(tǒng)目標(biāo)與優(yōu)勢

• 內(nèi)容4.1 集群機器人范式：機器人-機器人/機器人-環(huán)境交互下的自組織涌現(xiàn)

• 內(nèi)容4.2 工程價值：靈活性、容錯性、可擴展性與穩(wěn)定性

• 內(nèi)容4.3 生物模型作為切入點：理想化仿真對復(fù)雜行為的模擬與預(yù)測

內(nèi)容5 理想化假設(shè)與工程挑戰(zhàn)：落地瓶頸的來源

• 內(nèi)容5.1 生物模型的理想化假設(shè)：無偏好鄰居選擇、速度固定、無邊界限制

• 內(nèi)容5.2 工程系統(tǒng)約束：計算復(fù)雜度、通信與定位限制、平臺可重復(fù)性困難

• 內(nèi)容5.3 現(xiàn)狀與問題：大規(guī)模涌現(xiàn)與任務(wù)協(xié)作實驗實現(xiàn)仍然稀缺

內(nèi)容6 工程實現(xiàn)路線：典型涌現(xiàn)與混合集群協(xié)同對抗

• 內(nèi)容6.1 涌現(xiàn)行為實現(xiàn)：一致、旋轉(zhuǎn)等群體運動在機器人系統(tǒng)中的實現(xiàn)要點

• 內(nèi)容6.2 混合集群場景：多類型機器人上的協(xié)同機制與對抗策略

• 內(nèi)容6.3 示例與展望：從可復(fù)現(xiàn)實驗到可擴展應(yīng)用的推進路徑

核心概念

• 局部規(guī)則 Local Rules

• 經(jīng)典集群模型 Classic Swarm Models

• 鄰域感知 Neighborhood Sensing

• 涌現(xiàn)有序結(jié)構(gòu) Emergent Ordered Structures

• Master方程 Master Equation

• 多主體模型 Agent-based Models

• 信息素場 Pheromone Field

• 集群機器人系統(tǒng) Swarm Robotics Systems

主講人介紹

主講人:于沛志，北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院在讀博士生。主要從事集群系統(tǒng)及行為動力學(xué)機理研究。研究重點包括集群追逃行為博弈，集群系統(tǒng)異質(zhì)性與自組織狀態(tài)轉(zhuǎn)換、集群系統(tǒng)多尺度表征等。

主講人:鄭雅婷，柏林洪堡大學(xué)博士后研究員，并加入智能科學(xué)集群研究團隊。研究方向主要聚焦于群體機器人的協(xié)同合作機制，目前涉及仿生集群運動控制、協(xié)同構(gòu)建技術(shù)以及真實群體機器人系統(tǒng)中的主動彈性模型控制，曾基于E-puck、Stigmergic積木系統(tǒng)及BuilderBot機器人平臺開展研究。2022年1月獲得北京師范大學(xué)博士學(xué)位，并于2018年9月至2020年12月期間在比利時布魯塞爾自由大學(xué)進行聯(lián)合培養(yǎng)，師從Michael Allwright博士后研究員與Marco Dorigo教授。作為SCIoI項目B3的集成方向博士后，當(dāng)前正基于Thymio機器人集群開展研究，致力于將不同集體行為整合為群體引導(dǎo)行為。

參考文獻

1. Reynolds C W. Flocks, herds and schools: A distributed behavioral model[C]//Proceedings of the 14th annual conference on Computer graphics and interactive techniques. 1987: 25-34.

2. Vicsek T, Czirók A, Ben-Jacob E, et al. Novel type of phase transition in a system of self-driven particles[J]. Physical review letters, 1995, 75(6): 1226.

3. Helbing D, Molnar P. Social force model for pedestrian dynamics[J]. Physical review E, 1995, 51(5): 4282.

4. Lin G, Escobedo R, Li X, et al. Experimental evidence of stress-induced critical state in schooling fish[J]. PRX Life, 2025, 3(3): 033018.

5. Wang W, Escobedo R, Sanchez S, et al. Collective phases and long-term dynamics in a fish school model with burst-and-coast swimming[J]. Royal Society Open Science, 2025, 12(5): 240885.

6. Xue T, Li X, Lin G Z, et al. Tuning social interactions’ strength drives collective response to light intensity in schooling fish[J]. PLoS computational biology, 2023, 19(11): e1011636.

7. Mezey, D., Bastien, R., Zheng, Y. et al. Purely vision-based collective movement of robots. npj Robot3, 11 (2025).

8. Pan, Mengyun, et al. "Physical Interactions Segregate Robot Swarms." IEEE Robotics and Automation Letters (2024).

9. Devlin, Matthew R., et al. "Material-like robotic collectives with spatiotemporal control of strength and shape." Science 387.6736 (2025): 880-885.

報名讀書會：

「群體智能：從自然涌現(xiàn)到人機共創(chuàng)」

集智俱樂部聯(lián)合北京師范大學(xué)系統(tǒng)科學(xué)學(xué)院韓戰(zhàn)鋼教授、暨南大學(xué)計算傳播研究中心趙甜芳副教授、新疆大學(xué)物理科學(xué)與技術(shù)學(xué)院玉素甫·艾比布拉副教授等學(xué)者，共同發(fā)起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優(yōu)化，放在同一張地圖上重新理解。讀書會自2026年1月24日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現(xiàn)、如何被理解、以及如何被設(shè)計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

視頻號直播預(yù)約：

報名方式：

第一步：微信掃碼填寫報名信息。

第二步：填寫信息后，付費報名。如需用支付寶支付，請在PC端進入讀書會頁面報名支付：

第三步：添加運營助理微信，拉入對應(yīng)主題的讀書會社區(qū)（微信群）。

PS：為確保專業(yè)性和討論的聚焦，本讀書會謝絕脫離讀書會主題和群體智能相關(guān)問題的空泛的哲學(xué)和思辨式討論；如果出現(xiàn)討論內(nèi)容不符合要求、經(jīng)提醒無效者，會被移除群聊并對未參與部分退費。

加入社區(qū)后可獲得的資源

完整權(quán)限包括：線上問答、錄播回看、資料共享、社群交流、信息同步、共創(chuàng)任務(wù)獲取積分等。