由于布里斯托大学和英格兰西部大学(UWE)的研究，新一代蜂拥机器人能够独立学习和发展野外新行为，这一步更近了。

该团队使用人工进化技术使机器人能够自动学习人类可以理解的群体行为。今天在Advanced Intelligent Systems上发布的这一新进展可以为环境监测，灾难恢复，基础设施维护，物流和农业创造新的机器人可能性。

到目前为止，人工进化通常在群体外部的计算机上运行，​​然后将最佳策略复制到机器人。然而，这种方法是有限的，因为它需要外部基础设施和实验室环境。

通过使用嵌入在群内的高处理能力的定制群机器人，布里斯托尔团队能够发现哪些规则会产生所需的群体行为。这可能导致机器人群能够在野外连续和独立地适应，以满足手头的环境和任务。通过使演化的控制器对人类可理解，还可以查询，解释和改进控制器。

布里斯托尔大学机器人实验室的主要作者Simon Jones说：“人类可理解的控制器使我们能够分析和验证自动设计，以确保在实际应用中部署的安全性。”

由Sabine Hauert博士共同领导，工程师利用最新的高性能移动计算技术，构建了一大堆受自然界灵感启发的机器人。他们的“Teraflop Swarm”能够完全在群内运行计算密集型自动设计过程，使其免受离线资源的限制。该群仅在15分钟内达到高水平的性能，比之前体现的要快得多进化方法，不依赖外部基础设施。

工程数学和布里斯托机器人实验室(BRL)机器人高级讲师Hauert博士说：“这是向机器人群体迈出的第一步，可以在野外自动发现合适的群体策略。”

“下一步将是将这些机器人群从实验室中取出，并在实际应用中展示我们提出的方法。”

通过释放大量外部基础设施，并通过展示可以分析，理解和解释生成的控制器，研究人员将转向实际应用中的群控制器的自动设计。

将来，从头开始，机器人群可以直接在原地发现合适的策略，并在群组任务或环境发生变化时更改策略。

UWE的BRL和科学传播部门Alan Winfield教授说：“在许多现代人工智能系统中，特别是那些采用深度学习的系统，几乎不可能理解为什么系统做出了特定的决定。这种缺乏透明度可能是真实的如果系统做出错误决定并造成伤害，问题就在于本文所描述的系统的一个重要优点是它是透明的：它的决策过程是人类可以理解的。