由于布里斯托大學和英格蘭西部大學（UWE）的研究，新一代蜂擁機器人能夠獨立學習和發展野外新行為，這一步更近了。
該團隊使用人工進化技術使機器人能夠自動學習人類可以理解的群體行為。今天在Advanced Intelligent Systems上發布的這一新進展可以為環境監測，www.amc-iso.com，災難恢復，基礎設施維護，物流和農業創造新的機器人可能性。
到目前為止，人工進化通常在群體外部的計算機上運行，然后將最佳策略復制到機器人。然而，這種方法是有限的，因為它需要外部基礎設施和實驗室環境。
（圖片來源：布里斯托大學）
通過使用嵌入在群內的高處理能力的定制群機器人，布里斯托爾團隊能夠發現哪些規則會產生所需的群體行為。這可能導致機器人群能夠在野外連續和獨立地適應，以滿足手頭的環境和任務。通過使演化的控制器對人類可理解，還可以查詢，解釋和改進控制器。
布里斯托爾大學機器人實驗室的主要作者Simon Jones說：“人類可理解的控制器使我們能夠分析和驗證自動設計，以確保在實際應用中部署的安全性。”
由Sabine Hauert博士共同領導，工程師利用最新的高性能移動計算技術，構建了一大堆受自然界靈感啟發的機器人。他們的“Teraflop Swarm”能夠完全在群內運行計算密集型自動設計過程，機器人維修，使其免受離線資源的限制。該群僅在15分鐘內達到高水平的性能，比之前體現的要快得多進化方法，不依賴外部基礎設施。
工程數學和布里斯托機器人實驗室（BRL）機器人高級講師Hauert博士說：“這是向機器人群體邁出的第一步，可以在野外自動發現合適的群體策略。”
“下一步將是將這些機器人群從實驗室中取出，并在實際應用中展示我們提出的方法。”通過釋放大量外部基礎設施，并通過展示可以分析，理解和解釋生成的控制器，研究人員將轉向實際應用中的群控制器的自動設計。
將來，KUKA機器人維修，從頭開始，機器人群可以直接在原地發現合適的策略，并在群組任務或環境發生變化時更改策略。
UWE的BRL和科學傳播部門Alan Winfield教授說：“在許多現代人工智能系統中，特別是那些采用深度學習的系統，幾乎不可能理解為什么系統做出了特定的決定。這種缺乏透明度可能是真實的如果系統做出錯誤決定并造成傷害，問題就在于本文所描述的系統的一個重要優點是它是透明的：它的決策過程是人類可以理解的。