Wang (Wan g et al., 2004, 2005) and Kumar ( Per eira
et al., 2004 ; Sugar et al., 2001; Sugar and Kumar, 2002)
studi ed the caging form ation control pr oblem in multi-
robot coop erative transp ortation. They propo sed the
‘‘objec t closur e’’ strategy to mo ve the object with mult iple
mobil e rob ots while maintaini ng the form ation.
A resear ch field relat ed to multi- robot object trans porta-
tion is multi- robot manipul ation, wher e multiple indu strial
roboti c manipul ators coo peratively carry an object whi le
minimiz ing intern al forces that get generat ed among
robots. Ther e has be en much work done in this fie ld. For
exampl e, Kumar and Garg (2004) de signed a fuzzy logic
control ler to control internal forces an d moment s whi le
two indust rial manipul ators coo peratively carry an object .Anothe r interest ing topic in the fie ld of multi-agen t
roboti cs is multi- robot learning ( Stone and Vel oso, 2000;
Yang and Gu, 200 4 ). The learni ng c apability is desirab le
for a mult i-robo t system. It will help the rob ots to cope
with a dyn amic or unknow n environm ent, find the optim al
coop eration strategy, and make the en tire syst em increa s-
ingly flexibl e and autonomou s. Alth ough mo st of the
existing commer cial mult i-robot systems are controlled
remot ely by a hum an, the autonomou s perfor mance will
desir ably be the object ive of the next-gen eration syst ems.
Without the learnin g capabil ity, it will be virtu ally im-
possibl e for a roboti c syst em to become a fully autonomou s
system. Therefor e, the introd uction of machi ne-learning
technol ogies into a mu lti-robot system ha s become a
necessi ty.
Stone and Vel oso (1998) sugg ested a layer ed approach
with machi ne learni ng for mult i-agent coop eration. In their
paper, ne ural networks were us ed to learn the low-le vel
skills of a robot and the decisi on tree method was
employ ed to learn the high-level stra tegies. How ever, their
work focu sed on the specific ap plication to robo tic soccer.
等人。，2004；糖等人。，2001；糖和库马尔，2002）
研究了限位形成控制问题多—
机器人笼后运输。他们提出的
“'objec不闭合的策略对象添加多个对流
美孚抢劫而maintaini电子战车的形成。
一个研究领域相关的多机器人目标跨门—
是多机器人manipul，那多工业
roboti三步manipul首席运营官peratively对象进行的
减少了内力，代教育
机器人。这是很多工作做在这场。为
例，库马尔和加格（2004）设计了一模糊逻辑
控制器控制的内部力和力矩的
2工业manipul步首席运营官peratively携带的对象。一个有趣的话题在野外的multi-agen吨
roboti政务司司长是多机器人学习（石和腭，2000；
杨顾，200- 4）。这种学习能力是需要的产品
一个多i-robo系统。这将帮助系统对付抢劫
一个动态或未知的环境，找到最优
合作战略，并使整个系统增加的—
越灵活和自治美国地价形成的最
现有的商业多i-robot控制系统
远程伊利的人类，在自治的性能要
欲望巧妙的将客观了下一代操作系统。
无学习能力，这将是我的艺术品的盟友—
可能为roboti三系统成为一个完全自治的
系统。因此，本作ne-learning生产机
技术的一亩lti-robot系统已成为
必然性。
石和腭也（1998）提出一个层的方法
以机器学习为多我代理合作。在他们的
纸，乌拉尔东北部网络是美国教育学习low-le德维尔
技能的一个机器人和决策树方法
运用教育学高级战略。如何过，其
工作重点的基础上具体应用到足球机器人抽动
等，2004;糖等，2001;糖和Kumar，2002）。
studi版囚禁形式ATION控制PR多oblem
机器人的鸡舍erative运输ortation。他们propo sed的
“物镜ţclosur E''战略，以钼VE多种对象
美孚é抢OTS而maintaini纳克的形式ATION。
一个resear CH场1.902多机器人对象跨PORTA-
TION是多机器人manipul ATION，wheré多个INDU strial;
robotiÇmanipul ators首席运营官peratively携带对象WHI乐，
最小化ING实习生力量得到generat版之间
机器人。疗法e已成为连接FIE LD在此做了大量工作。为
为例E，Kumar和Garg（2004）德签订了模糊逻辑
控制LER控制内力，时刻小号WHI乐
两个indust里亚尔manipul ators首席运营官peratively开展外商投资企业多AGENţLD对象。Anotheŕ利益ING主题
roboti CS是多机器人学习（石和VEL OSO，2000;
杨和顾，200 4）。 learni吴Ç可加工是desirab乐
为MULT I-ROBO T系统。这将有助于抢OTS，以应付
与DYN的AMIC或不详列印环境功能耳鼻喉科，找到OPTIM]
的鸡舍eration战略，使EN轮胎SYST EM increa小号
ingly flexibl e和autonomou小号的。莫圣alth ough
现有的资商业CIAL MULT我的机器人系统的控制
REMOT伊利一哼，autonomou小号perfor曼斯
DESIR干练是下一代eration SYST EMS香港专业教育学院的对象。
没有的learnin的Ğcapabil ITY，这将是古董，艺术品盟友IM-
为robotiÇSYST EM possibl e以成为一个完全autonomou小号
系统。因此E，的NE学习町introd uction
成一亩的LTI机器人系统公顷小号TECHNOL ogies成为
necessi TY。
石和VEL官方机密条例“（1998年）sugg ested层ED方法
町NE learni吴MULT我代理鸡舍eration。在他们的
纸，NE乌拉尔网络版学习低LE VEL
机器人的技能和树方法decisi
聘请学习高级别STRA tegies。如何过，他们
工作focu SED抽动足球机器人的具体AP折叠术
等人,2004;糖等人,2001;糖和库马尔,2002)
为教育形式下控制oblem笼在多-公关
机器人coop erative透明运输。 他们propo sed的
“objec t closur e”战略对莫mult iple ve对象
美孚e罗伯ots而maintaini ng夜光形式。
一个领域,随着ch的实况的多——机器人对象反式门-
上部是多机器人manipul分离,strial哪里e多个反转
roboti c manipul ators首席运营官peratively携带一个对象whi勒
minimiz ing实习生艾尔力量得到背包艾德在
机器人。内设e已经被en多工作中完成5 ld。对
遍及e,Kumar和加戈(2004)德签署了一份模糊逻辑
控制ler控制内力一个d时刻年代whi勒
两个工业manipul ators首席运营官peratively里亚尔携带一个对象。 ing主题感兴趣的缝隙r在5 ld的multi-agen t
计算机科学是roboti多机器人学习(斯通和Vel oso,2000;
杨和顾,200 4)。learni ng的c apability是desirab勒
对于一个mult i-robo t系统。 这将有助于应对rob ots
与输送带的动力学或未知n中的耳鼻喉科,找到optim艾尔
鸡舍作策略,使en轮胎特性的em increa s -
flexibl e和autonomou年代灯彩。Alth可了不得莫的圣
现有的风度mult中跑出来和系统控制
由哼一远距离伊利,autonomou年代碎煤机将
巧妙地将对象ive自足性的下一代系统ems作。
没有learnin g中性密度,这将是美德的盟友im -
对于一个roboti极致c系统中的em成为一个完全autonomou年代
系统。因此e,uction臼利ne-learning知之甚少的
ogies成一亩lti-robot工艺系统公顷年代成为一个
necessi泰。
石头和Vel oso(1998)sugg感到一层ed的方法
与learni ng为mult machi ne i-agent coop作。 在他们的
纸,暗夜精灵的乌拉尔网络我们学习low-le vel埃德
技能和decisi的机器人在树方法
雇用埃德学习高级即将tegies。然而,他们
英国工作的特定ap plic sed
