https://www.emerald.com/insight/content/doi/10.1108/IR-04-2020-0073/full/html

多機器人/多智慧體 動態環境 任務分配 決策 動態任務排程策略

該文章主要是想對目前state of the art多機器人動態任務排程策略做一個全面的評價，注意定語挺多的，裡面的方法也較多為近幾年的智慧排程那些演算法。衡量方法主要考慮到了應用場景、限制、目標方程以及對不確定性處理方式。

Introduction

多機器人協作系統是最近的研究熱點。多機器人任務執行效率高，能夠執行復雜的任務。
在多機器人系統領域主要有兩種協作模式：中心式和分散式。在中心式中，一個伺服器控制了系統中的主要引數並且對任務進行分配。這種系統依賴一箇中心伺服器確保任務成功分配，但是當中心崩潰時系統將癱瘓，這就意味著系統要有可靠的資訊交換系統。在分散式中，每個機器人個體獨立安排自己任務。這種系統中，每個個體觀察視野中周圍個體，並且計算自身對任務的競爭力來做獨立任務決策。分散式系統很適合大規模機器人在弱聯網環境中執行。儘管中心式的系統需要嚴格可靠的通訊網路，但是它能夠保證任務分配的一致性。而分散式系統很難達到任務分配一致性的要求。MRS系統要求每個機器人都有任務執行能力以及協作性coordination，其中協作方式對MRS成功任務分配和執行是核心問題。

Multi-robot task allocation problem definition

這部分是多機器人任務規劃定義，很簡潔明瞭，不再打公式了。
下表是多機器人問題中限制條件，動態環境下多機器人任務分配問題主要包含資源和時間的限制。

常見的目標函式有：最小化路徑，最小化等待時間，最大化任務完成率：

Dynamic task allocation strategies

多機器人任務分配目標就是在滿足約束條件前提下將任務分配達到最小化損失函式。主要問題就在是實際生產環境里約束條件是不規則並且多樣的。下面展示了四種主要的多機器人動態環境任務分配策略。

Market-based task allocation

這種策略模仿了市場交易，其主要流程如圖所示：

拍賣機器人向團隊中的其他機器人釋出任務資訊並要求出價。 每一個機器人在團隊中根據其執行任務的能力進行出價，然後將出價轉發給拍賣機器人。 拍賣機器人將任務分配給報價最少的機器人。

Optimization-based task allocation

現實世界中的多機器人系統具有多個不確定約束。 因此對動態環境任務分配問題進行數學建模是艱鉅的。然而，使用啟發式演算法建模能夠給動態環境任務分配問題提供連續最優解。比如粒子群優化（PSO）、蟻群演算法（ACO）及其各種變種。 動態任務分配問題的目標函式是：最小化任務完成時間、最小化機器人行程距離、最小化電池資源利用、最大化任務分配率和任務完成率。下表展示了目前的演算法

Behaviour-based task allocation

基於行為的動態任務分配是一種獨特的策略。 該策略使用多個按比例分配的解決方案來解決單個應用程式中發生的不同問題例項。 在策略中的單個應用程式可以是是任何形式的數學模型，啟發式演算法或優化函式。這個策略受不同的問題而具體來定義。

Clustered task allocation

叢集任務分配策略將相似或附近的任務分組為叢集，然後將叢集分配給機器人，而不是單個任務分配。 這種策略降低了機器人團隊的平均執行距離。叢集任務分配策略的關鍵是確定每個叢集的最優任務數

Discussion

本文詳細回顧了最先進的MMR動態任務分配策略。 儘管文獻中的每一項任務分配技術都經過了分析和模擬驗證，但是他們缺乏實際實驗來驗證。