1. 课程导入
当一台机器人从实验室走向真实环境，它很快会遇到三个瓶颈：感知范围有限、作业能力有限、容错能力有限。多机器人系统（Multi-Robot System, MRS）正是为突破这些瓶颈而出现的：通过多台机器人之间的协同，系统可以在更大空间、更复杂任务和更高不确定性下完成单机难以胜任的工作。本课程围绕“协同导航”与“避碰”两条主线展开，帮助你建立从单机定位、编队协同到动态避障、任务分配的完整知识体系。
一、发展背景：从单机智能到群体智能
机器人导航技术经历了从“示教—重复”到“感知—规划—控制”闭环的演进。早期 AGV 依赖磁条、二维码等固定路径，环境改动成本高；随后激光 SLAM 与视觉 SLAM 让机器人具备自主建图与定位能力；当任务规模扩大，单机在覆盖效率、负载能力和故障风险上的局限迅速暴露。多机器人系统由此从学术研究走向工程落地，其发展动力主要来自三方面：
- 任务需求驱动：仓储分拣、园区配送、灾后搜救等场景需要并行作业与广域覆盖。
- 成本与鲁棒性驱动：多台低成本机器人可替代单台高成本机器人，且单点故障不致系统瘫痪。
- 算法与硬件成熟：SLAM、图优化、模型预测控制、分布式优化与边缘算力为协同提供了基础。
需要强调的是，多机器人并非“单机数量叠加”。当机器人共享空间与资源时，会出现冲突、死锁、通信受限、观测不一致等新问题，这正是本课程要解决的核心难点。
二、典型应用场景与协同形态
不同场景对协同的要求差异很大。下面用一张关系图展示多机器人系统的典型应用与关键能力之间的对应关系，帮助你在学习前建立整体印象。
从图中可以看出，场景决定协同形态，协同形态又依赖底层关键能力。例如仓储场景强调高密度避碰与集中调度，而搜救场景更强调分布式协同与通信中断下的自主决策。
三、学习目标与课程框架
本课程共 30 章，按“基础—协同—避碰—系统—实战”五个层次递进。学习完成后，你应能独立完成一个小规模多机器人仿真系统，并具备分析真实工程问题的能力。
| 层次 | 主要内容 | 对应能力 |
|---|---|---|
| 基础层 | 坐标系、运动学模型、SLAM 与定位、栅格/拓扑地图 | 能描述单机状态与地图表达 |
| 协同层 | 编队控制、一致性、协同定位、任务分配 | 能设计多机协同策略 |
| 避碰层 | 速度障碍、ORCA、势场法、DWA、死锁消解 | 能实现动态避障与冲突消解 |
| 系统层 | 通信架构、ROS 2 多机、仿真与实车部署 | 能搭建并调试多机系统 |
| 实战层 | 仓储、配送、编队等综合案例与复盘 | 能完成端到端项目 |
四、核心原理：协同导航与避碰的基本闭环
多机器人协同导航可以抽象为一个持续运行的闭环：每台机器人通过传感器获取自身与邻居状态，经过通信与数据融合形成一致的环境认知，再通过规划器生成满足协同目标与安全约束的轨迹，最后由控制器执行并反馈。避碰则贯穿其中，既包括静态障碍避让，也包括机器人之间的动态冲突消解。
# 多机器人协同导航典型循环（伪代码）
while mission_not_finished:
local_map = update_slam(sensors) # 单机定位与建图
neighbor_info = communicate(peers) # 交换位姿/速度/意图
fused_map = fuse(local_map, neighbor_info)# 共享地图与一致性
goal = assign_task(fused_map, tasks) # 任务分配
traj = plan(goal, fused_map, constraints) # 协同规划
traj = avoid_collision(traj, peers, obs) # 动态避碰
cmd = control(traj) # 轨迹跟踪
execute(cmd)
五、常见误区与复盘提示
- 误区一：把多机器人当成多台单机。忽略交互耦合，会导致仿真通过、实车冲突。
- 误区二：只关注避碰算法，忽略通信延迟。延迟会让“已知邻居位置”迅速过期，必须考虑预测与安全裕度。
- 误区三：追求全局最优而忽视实时性。多机系统规模增大后，集中式最优求解往往不可行，分布式近似更实用。
- 误区四：忽略死锁与活锁。对称场景下机器人可能互相等待，需要引入优先级、扰动或协商机制。
本节作为课程导入，目标是让你先看清“地图”：多机器人系统为何出现、用在何处、需要哪些能力、课程如何组织。接下来各章将逐一展开这些能力，从坐标系与运动学开始，逐步走向协同导航与动态避碰的完整实现。