阶段四：自组织 容错机制
在现实世界中，机器人可能因为硬件故障、通信中断、电量耗尽等原因失效。如果群体不能自动适应个体失效，整个系统的可靠性将随规模增大而急剧下降。容错和自修复是群体机器人实用化的必要条件。
最简单的容错策略是冗余：使用 N 个机器人完成 k 个机器人的工作（N > k），当部分机器人失效时，剩余机器人接管。
import random, math
random.seed(42)
# 容错编队 - 机器人故障时的自修复
n_agents = 12
dt = 0.1
class Agent:
def __init__(self, rid, x, y, active=True):
self.id = rid; self.x = x; self.y = y
self.vx = 0; self.vy = 0; self.active = active
self.target_x = x; self.target_y = y
# 环形编队
radius = 15
center_x, center_y = 50, 50
agents = []
for i in range(n_agents):
angle = 2*math.pi*i/n_agents
tx = center_x + radius*math.cos(angle)
ty = center_y + radius*math.sin(angle)
agents.append(Agent(i, random.uniform(40,60), random.uniform(40,60)))
agents[-1].target_x = tx
agents[-1].target_y = ty
def reassign_targets(active_agents, center_x, center_y, radius):
n = len(active_agents)
for idx, a in enumerate(active_agents):
angle = 2*math.pi*idx/n
a.target_x = center_x + radius*math.cos(angle)
a.target_y = center_y + radius*math.sin(angle)
def formation_error(agents):
err = 0
for a in agents:
if a.active:
err += math.hypot(a.x-a.target_x, a.y-a.target_y)
return err / sum(1 for a in agents if a.active)
# 先让编队稳定
for step in range(100):
for a in agents:
if not a.active: continue
fx = 0.3*(a.target_x - a.x)
fy = 0.3*(a.target_y - a.y)
a.vx = 0.8*a.vx + 0.2*fx; a.vy = 0.8*a.vy + 0.2*fy
a.x += a.vx*dt; a.y += a.vy*dt
print(f"初始编队误差: {formation_error(agents):.4f}")
# 模拟故障
fail_steps = [50, 100]
failed = []
for step in range(200):
# 触发故障
if step in fail_steps:
active = [a for a in agents if a.active]
if len(active) > 4:
victim = random.choice(active[1:])
victim.active = False
failed.append(victim.id)
active = [a for a in agents if a.active]
reassign_targets(active, center_x, center_y, radius)
print(f"Step {step}: 机器人{victim.id}故障! 剩余={len(active)}, 重新分配目标...")
# 执行控制
for a in agents:
if not a.active: continue
fx = 0.3*(a.target_x - a.x); fy = 0.3*(a.target_y - a.y)
for b in agents:
if b is a or not b.active: continue
ddx, ddy = a.x-b.x, a.y-b.y; dd = math.hypot(ddx, ddy)
if 0 < dd < 4: fx += 1.5*ddx/(dd*dd); fy += 1.5*ddy/(dd*dd)
a.vx = 0.8*a.vx + 0.2*fx; a.vy = 0.8*a.vy + 0.2*fy
sp = math.hypot(a.vx, a.vy)
if sp > 2: a.vx *= 2/sp; a.vy *= 2/sp
a.x += a.vx*dt; a.y += a.vy*dt
if step % 40 == 0:
active_n = sum(1 for a in agents if a.active)
print(f"Step {step:3d}: 活跃={active_n}, 误差={formation_error(agents):.4f}")
print(f"\\n故障机器人: {failed}")
print(f"最终活跃: {sum(1 for a in agents if a.active)}/{n_agents}")
print(f"最终误差: {formation_error(agents):.4f}")
print("✅ 验证通过：编队在机器人故障后自动修复，保持队形完整性")初始编队误差: 0.5325 Step 0: 活跃=12, 误差=0.5138 Step 40: 活跃=12, 误差=0.1230 Step 50: 机器人6故障! Step 80: 活跃=11, 误差=0.7809 Step 100: 机器人2故障! Step 120: 活跃=10, 误差=1.8218 Step 160: 活跃=10, 误差=0.4393 故障机器人: [6, 2], 最终误差: 0.1090 ✅ 验证通过：编队在机器人故障后自动修复，保持队形完整性
拜占庭故障是最难处理的：故障节点可能发送矛盾信息给不同邻居。经典结果：需要至少 3f+1 个节点才能容忍 f 个拜占庭节点。
在群体机器人中，实用的拜占庭容错方法包括：
本课容错与自修复的计算复杂度是实际应用中的关键考量因素。在群体规模为N、迭代次数为T的情况下：
对于大规模问题，可以采用以下策略降低复杂度：
容错与自修复与其他相关方法的对比分析：
| 算法 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| 本课方法 | 分布式、鲁棒、可扩展 | 近似解、参数敏感 | 大规模动态环境 |
| 集中式方法 | 全局最优、确定性强 | 单点故障、不可扩展 | 小规模静态问题 |
| 分层方法 | 兼顾全局和局部 | 层次设计复杂 | 中等规模问题 |
| 混合方法 | 综合各方法优点 | 实现复杂度高 | 高要求场景 |
容错与自修复领域的当前热点研究方向包括：
及时发现故障是自修复的前提。群体机器人中常用的故障检测方法：
实际系统中通常组合使用多种方法：心跳检测停止故障，行为异常检测拜占庭故障。
初始化阶段：所有智能体/粒子的初始位置和速度随机生成。随机初始化保证了多次运行的统计意义，但单次运行的结果可能因随机种子不同而变化。
主循环结构：每个时间步包含三个阶段——感知（获取邻居和环境信息）、决策（根据规则计算控制量）、执行（更新位置和速度）。这种"感知-决策-执行"循环是所有群体机器人算法的基本框架。
参数调优建议：先用默认参数运行一次观察基本行为，然后逐个调整关键参数。每次只改一个参数，记录变化效果。重点关注：收敛速度、稳态误差和鲁棒性。
常见问题：
群体机器人课程 © 2026 | 第20课/共25课