想象你走进一座音乐厅：二十位乐手各自握着不同的乐器，没有指挥家、没有总谱，却能演奏出贝多芬第九交响曲。更神奇的是，演出进行到一半，指挥家走下台，把一位观众请了上来——乐手们立刻放慢节奏、降低音量，让这位从未排练过的观众也能融入演奏，既不打乱乐曲，也不让他受伤。这不是科幻电影，这正是“多机器人协作与人机共融”要构建的世界：一群机器人像乐手一样分工协作、完成复杂任务，同时理解并包容人类的参与，让人与机器在同一个空间里安全、自然地相处。从仓储物流的搬运车队，到手术室里的机械臂，再到你家的扫地机器人，这套“乐团逻辑”正在悄悄改变现实世界。

岗位关联

多机器人协作与人机共融是具身智能落地的核心能力。掌握它，你就能设计出在仓储、医疗、家庭等场景下可靠、安全、高效的多机器人系统，成为既懂协作、又会共融的稀缺 AI 工程师。

目录
  1. 可视化演示
  2. 1. 协作架构：谁来当指挥？
  3. 2. 任务分配：谁来拉大提琴？
  4. 3. 环境感知：乐手如何看清舞台？
  5. 4. 协同控制：如何演奏得整齐？
  6. 5. 安全交互：观众上台怎么办？
  7. 6. 性能调优：排练如何更高效？
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示多机器人协作网络的拓扑结构、分布式任务分配流程与人机共融交互机制，支持模式切换与实时指标监控。

本节配有交互动效（进入视口后自动加载，约 3KB）。

协作网络拓扑 机器人节点环形组网 通信链路实时连接 N=6, E=15 全连接拓扑确保通信冗余与容错

1. 协作架构：谁来当指挥？

组建一支乐团，第一件事是决定“谁来指挥”。第一种方案是请一位大指挥家拿着总谱，调度每一把琴、每一支号；第二种是大家各自看分谱，靠多年默契互相配合；第三种是首席小提琴带队，其他声部跟着她走；还有一种更灵活的方式——平时各奏各的，到了高潮段落才齐齐看向指挥。这四种组织方式，恰好对应多机器人系统里的集中式、分布式、主从式和混合式架构。

在集中式架构中，一个中央节点汇总所有信息并统一下发全局指令。它的好处是决策全局最优、实现简单，但隐患也明显：一旦中央节点宕机，整个群体立刻“群龙无首”。分布式架构里每个机器人地位对等，通过协商达成一致，鲁棒性好，但需要复杂的通信协议保证收敛。主从式架构中“领航者”只下达意图，从机自行规划细节路径，既保留指挥又给乐手自由发挥的空间。混合式架构则把任务分域管理：全局调度用集中式保证最优，局部避障用分布式保证快速响应。

无论选哪种架构，都要回答一个朴素的问题：机器人之间要“对多少次眼神”？这个成本用通信链路数衡量。

所以，架构设计师就像乐团指挥的经纪人：既要用最少“眼神交流”换来最齐整的合奏，又要防止某一个人倒下导致演出崩溃。集中式省钱但脆弱，分布式健壮但费眼神，主从与混合则是两者的折中——理解了通信成本的平方级增长，你就读懂了多机器人架构的底层权衡。

Ctotal=∑i=1n∑j=i+1ncij\displaystyle C_{\text{total}} = \sum_{i=1}^{n} \sum_{j=i+1}^{n} c_{ij}
这个公式统计 n 个机器人两两通信的总开销。n 越大，配对数量按平方级增长，就像乐团人越多，声部间要对的“眼神”也越多。
  1. 外层求和符号从第 1 个机器人开始，逐个累计它和后面所有机器人的通信成本。
    ∑i=1n\displaystyle \sum_{i=1}^{n}
  2. 内层求和符号从第 i+1 个机器人开始枚举配对，避免两个机器人被重复计数。
    ∑j=i+1n\displaystyle \sum_{j=i+1}^{n}
  3. 通信成本项c_ij 表示机器人 i 与 j 之间单次通信的开销（带宽、时延），全部累加即得到系统总通信开销。
    cijc_{ij}

2. 任务分配：谁来拉大提琴？

乐曲已定，怎么给乐手发谱子？最直观的办法是公开叫卖：“这段大提琴独奏，谁愿意接？谁报的代价低就给谁。”但光看报价还不够——总不能让吹小号的去拉大提琴。于是还要看谁的技术最匹配，更要盯着别让某个乐手连续演奏三场累到虚脱，一旦有人临时缺席，还得赶紧找替补顶上。这四个环节，正是多机器人任务分配中的拍卖机制、能力匹配、负载均衡与动态重分配。

拍卖机制的思想很朴素：每个机器人根据自身状态对任务“出价”（如预计能耗、耗时），出价最低者赢得任务。这天然实现了负载均衡——忙的机器人会报出更高的价，从而把任务让给闲的。能力匹配则在出价前增加一道筛选：机器人 i 对任务 j 有一个匹配度得分，只有能力达标的候选者才进入拍卖。当运行中出现机器人损坏或新任务插入时，动态重分配会终止旧方案，重新触发一轮拍卖。

把这三者统一起来看，分配问题就是一个带权重的打分排序：

任务分配的精髓，就是让每一把乐器都落在最合适的声部上，同时不让任何一位乐手过载。拍卖机制负责“用脚投票”，能力匹配负责“专业对口”，负载均衡负责“雨露均沾”，动态重分配负责“救火补位”。四者配合，一支多机器人“乐团”才能在任务风暴中依然奏出从容的旋律。

sij=α⋅qij−β⋅eij−γ⋅tij\displaystyle s_{ij} = \alpha \cdot q_{ij} - \beta \cdot e_{ij} - \gamma \cdot t_{ij}
综合得分 = 能力匹配度加分 − 能耗惩罚 − 耗时惩罚。得分最高的机器人获得任务，就像乐团里最合适也最有余力的乐手接下独奏。
  1. 综合得分s_ij 是机器人 i 执行任务 j 的最终评分，系统按得分从高到低派单。
    sijs_{ij}
  2. 能力匹配项q_ij 表示机器人能力与任务需求的契合程度，系数 α 决定它在总分中的权重。
    α⋅qij\alpha \cdot q_{ij}
  3. 代价惩罚项e_ij（能耗）与 t_ij（耗时）分别乘以 β、γ 作为惩罚，让“便宜又快捷”的方案优先胜出。
    β⋅eij+γ⋅tij\beta \cdot e_{ij} + \gamma \cdot t_{ij}

3. 环境感知：乐手如何看清舞台？

乐手在舞台上需要知道三件事：指挥在哪里、自己的谱台在哪、观众有没有靠近。他们靠眼睛看、耳朵听、脚尖感受地板震动来获取信息。多机器人系统也一样——摄像机看、激光雷达测距、轮式里程计记录位移，但每一种传感器单独用都有盲区。摄像头怕天黑，雷达怕玻璃反光，里程计会漂移。聪明的做法是把它们融合起来，让多个“器官”互相印证。

这就是多传感器融合：用贝叶斯公式把各个传感器的观测整合成一个更可信的世界模型。在此基础上，机器人还需要同时完成建图定位（知道自己站在舞台的哪个位置）、目标识别（认出指挥家和同伴）、动态避让（下台时避开观众）。环境感知的数学核心，是下面这个贝叶斯融合公式：

就像乐手不必看清观众席的每一张脸，只需整合眼睛与耳朵的信息判断方位和距离——多传感器融合让机器人既获得冗余备份，又提炼出关键结论。单独依赖任何一种传感器都像只用一只耳朵听交响乐：能听见声音，却永远辨不清方向。

P(x∣z1,…,zn)=η P(x)∏i=1nP(zi∣x)\displaystyle P(x \mid z_1,\dots,z_n) = \eta \, P(x) \prod_{i=1}^{n} P(z_i \mid x)
后验概率 = 先验概率 × 所有传感器观测的似然乘积 × 归一化系数。每个传感器都在为“机器人在哪”投一票，但票的权重由传感器模型决定。
  1. 后验概率综合所有传感器观测 z₁…zₙ 之后，机器人位于位置 x 的概率，这是融合的最终输出。
    P(x∣z1,…,zn)P(x \mid z_1,\dots,z_n)
  2. 先验概率P(x) 是观测之前对位置的已有估计，比如上一时刻的定位结果，也是“经验”的体现。
    P(x)P(x)
  3. 似然连乘把 n 个传感器各自给出的似然度 P(zᵢ|x) 相乘，直观理解是“多个证据互相印证，越一致越可信”。
    ∏i=1nP(zi∣x)\prod_{i=1}^{n} P(z_i \mid x)
  4. 归一化系数η 保证所有位置上的后验概率加起来等于 1，让结果成为一个合法的概率分布。
    η\eta

4. 协同控制：如何演奏得整齐？

弦乐四重奏的默契来自每个乐手不断观察同伴的节奏：谁快了就稍微放慢，谁慢了就稍稍提速，最终大家聚在同一个节拍上。多机器人协同控制里，这种“相互修正”被数学化为一致性协议。每个机器人的状态变化率，等于它与邻居状态差的加权和——邻居比自己快，我就加速；邻居比自己慢，我就减速。如此反复，整个群体的状态逐渐收敛到共同值。

一致性协议是编队控制的地基。领航者模式在此基础上增加一个“首席”：跟随者不仅与邻居保持一致，还额外追踪领航者的位置偏移，从而让整个队伍保持 V 形、三角或一字队形。当两台机器人的预期路径发生冲突时，人工势场法会施加一个“虚拟斥力”把它们推开——就像舞台上两位乐手快要撞到一起时，本能地侧身让位。这些行为的统一数学框架如下：

这就像四重奏中“他慢我随、他快我跟”的微妙耦合：每个成员都用自己的误差修正自己，最终奏出整齐划一的乐句。一致性协议的美妙之处在于，它不需要任何中央指挥——只要通信图连在一起，整个群体就会自发地“对齐节拍”。这也是分布式多机器人系统最迷人的数学原理。

x˙i(t)=∑j∈Niaij(xj(t)−xi(t))\displaystyle \dot{x}_i(t) = \sum_{j \in N_i} a_{ij} \left( x_j(t) - x_i(t) \right)
状态变化率 = 与所有邻居的状态差加权求和。差越大，“修正”的力度就越强，直到群体的状态趋于一致。
  1. 状态变化率ẋᵢ 表示机器人 i 当前状态（位置或速度）的变化速度，也就是控制器实际输出的修正量。
    x˙i(t)\dot{x}_i(t)
  2. 邻居集合Nᵢ 是与机器人 i 能直接通信的邻居机器人集合，决定了它“听谁的意见”。
    j∈Nij \in N_i
  3. 误差驱动项xⱼ − xᵢ 是邻居状态与自身状态的差，它是驱动修正的“误差信号”。
    xj(t)−xi(t)x_j(t) - x_i(t)
  4. 通信权重aᵢⱼ 表示连接强度，值为 0 表示不通信，值越大表示这条“意见”越有分量。
    aija_{ij}

5. 安全交互：观众上台怎么办？

演出中途，指挥把一位观众请上台。经验丰富的乐手会先观察：这位观众是想握手，还是只想凑近看看？然后保持一个礼貌的距离；万一观众不小心碰到琴弓，乐手会顺势轻轻挪开，而不是硬顶回去。人机共融要解决的核心问题，正是让机器人具备这种“社交分寸感”。

第一层是意图理解。通过视觉捕捉人的姿态、 gaze 方向、运动轨迹，机器人预测人类下一步动作——是想伸手抓取，还是只是路过。第二层是距离保持，用安全距离公式计算机器人允许靠近人类的最小边界。第三层是柔顺控制：当碰撞无法避免时，机器人通过阻抗/导纳控制表现出“柔顺”，像被碰到的乐手那样顺着外力退让，而不是刚性对抗。最后一层是信任机制：机器人的行为要稳定可预测，人类才能逐渐放下戒心。距离保持的量化核心是：

这就像礼貌的乐手会为观众留出半步距离——机器人也在持续计算“何时减速、停在哪里、留多少余量”。人机共融不是让机器人在人类面前唯唯诺诺，而是让它在该让的时候让、该配合的时候主动伸手。当机器人既能读懂你的意图，又懂得保持分寸，人类与机器的“合奏”才真正开始。

dsafe=v⋅treaction+dcomfort+δerror\displaystyle d_{\text{safe}} = v \cdot t_{\text{reaction}} + d_{\text{comfort}} + \delta_{\text{error}}
安全距离 = 反应距离 + 舒适距离 + 误差余量。机器人必须在这条红线之外就开始减速，才能让人感到安全。
  1. 反应距离v 是当前相对速度，t_reaction 是从感知到制动执行的延迟，二者相乘得到刹车前滑过的距离。
    v⋅treactionv \cdot t_{\text{reaction}}
  2. 舒适距离d_comfort 是人类感到安心的心理底线，相当于陌生人之间保持的“礼貌距离”。
    dcomfortd_{\text{comfort}}
  3. 误差余量δ_error 覆盖传感器噪声、模型偏差等不确定性，确保公式在真实世界中依然保守可靠。
    δerror\delta_{\text{error}}

6. 性能调优：排练如何更高效？

指挥排练时，绝不会让所有乐手同时大声说话，而是“这段木管进，那段铜管停”。信息要克制、时机要对、该谁发力谁发力。多机器人系统的性能调优同样是这个道理：通信带宽优化通过消息聚合和广播节流，把有限的“对话额度”留给真正重要的信息；时延补偿用模型预测来对冲网络卡顿——就像乐手提前半拍看指挥的手势，用预测弥补传输延迟；算力分配则把简单任务交给轻量节点、重计算集中在高算力平台；容错降级保证某个机器人掉线时，团队自动降级为小规模编队继续演出。

调优中有一个反直觉的规律：消息发得越勤，系统未必越快。因为每条消息都要占用网络处理时间，消息过多反而造成拥塞。有效吞吐量的模型是：

正如指挥懂得给乐手“留白”，优秀的系统工程师也懂得让机器人闭嘴。带宽优化、时延补偿、算力分配、容错降级——这四件套的核心哲学只有一个：在资源有限的世界里，把每一份通信和计算花在刀刃上。学会克制，才是高性能多机器人系统的最高境界。

Teff=N⋅f1+N⋅f⋅tmsg\displaystyle T_{\text{eff}} = \frac{N \cdot f}{1 + N \cdot f \cdot t_{\text{msg}}}
有效吞吐 = 总消息速率 ÷ (1 + 消息处理占用率)。当发送频率过高时，分母变大，有效吞吐反而下降——“说得快不如说得巧”。
  1. 消息总量N 是机器人数量，f 是每台机器人每秒发送的消息数，N·f 表示网络中的总消息速率。
    N⋅fN \cdot f
  2. 处理占比N·f·t_msg 是每秒消息被处理所占据的时间比例，t_msg 为单条消息的网络处理时间，它反映“网络被占用了多少”。
    N⋅f⋅tmsgN \cdot f \cdot t_{\text{msg}}
  3. 有效吞吐T_eff 是真正能传递有效信息的速率，分母越大说明网络越拥挤，吞吐被严重稀释。
    TeffT_{\text{eff}}

AI 应用场景

智能仓储：会开“快闪演奏会”的 AGV 车队

阶段：多机器人任务调度与协同控制

解决的问题：传统仓库用人拉叉车效率低、易出错，几十台 AGV 各自为政则会互相堵路。通过集中式调度 + 动态任务分配，系统像乐团指挥一样统筹每台车的位置、电量和任务，实时重排最优路径，避免死锁与碰撞。

具体案例：某电商仓双 11 大促期间，订单峰值达到平日的 8 倍，调度系统启用“动态重分配”——某台 AGV 电量低于 20% 时，它手头任务自动转包给最近的空闲车辆，同时它自己驶向充电桩。全程货架搬运不间断，出库吞吐量提升 2.3 倍。

手术室：外科医生的“第二双手”

阶段：人机共融与柔顺控制

解决的问题：传统手术机器人刚性执行预编程轨迹，医生手部微抖或患者轻微移动都可能导致误差。通过力觉传感器 + 意图理解，机器人能感知医生的发力方向，并施加柔顺控制——像默契的搭档乐手主动迎合你的节奏，而不是机械地对抗。

具体案例：在神经外科辅助手术中，机器人持镜机械臂通过对手柄力矩的实时分析，判断医生想推进还是后退，并以 0.1mm 级精度跟随。当医生手抖时，机器人自动滤除高频震颤，画面稳定如三脚架。手术时间平均缩短 25%，并发症风险显著下降。

家庭服务：会“让路”的家政机器人三重奏

阶段：环境感知 + 安全距离保持

解决的问题：扫地机器人、送物机器人和陪伴机器人共处一室，各自乱跑会互相干扰，更会在家人行走时造成安全隐患。通过共享建图定位 + 安全距离公式，三台机器人互相感知位置，遇到家人主动让行。

具体案例：扫地机器人在客厅清扫时，扫描到老人正朝沙发走去，立即按 d_safe = v·t_reaction + d_comfort 计算减速时机，提前 1.2 秒让出通道，同时广播消息通知送物机器人改走阳台侧路线。整个家庭空间像一支彼此照应的三重奏，人走在家里不会被打扰。

Python 演示

python51 行
# 多机器人编队控制演示：跟随者追踪领航者并保持期望队形import mathimport matplotlib.pyplot as plt  def leader_pose(t):    """领航者路径：沿 x 轴前进并做小幅正弦摆动，相当于乐队的首席"""    return t * 0.5, 2.0 * math.sin(t * 0.3)  def follower_step(x, y, lx, ly, dx, dy, dt=0.1):    """一阶追踪律：跟随者以比例增益逼近目标点 (lx+dx, ly+dy)"""    gx = lx + dx    gy = ly + dy    vx = (gx - x) * 0.8    vy = (gy - y) * 0.8    return x + vx * dt, y + vy * dt  def main():    offsets = [(0.0, 1.2), (-1.0, -0.6), (1.0, -0.6)]  # 编队偏移，形成倒三角队形    pos = [[1.0, -1.0], [0.0, 0.5], [2.0, 0.5]]    trails = {i: [] for i in range(len(offsets))}     for step in range(60):        t = step * 0.1        lx, ly = leader_pose(t)        for i, (dx, dy) in enumerate(offsets):            x, y = pos[i]            pos[i] = follower_step(x, y, lx, ly, dx, dy)            trails[i].append((pos[i][0], pos[i][1]))     fig, ax = plt.subplots(figsize=(6, 4))    for i in range(len(offsets)):        xs = [p[0] for p in trails[i]]        ys = [p[1] for p in trails[i]]        ax.plot(xs, ys, label="follower-{}".format(i + 1))        ax.scatter([pos[i][0]], [pos[i][1]], s=60, zorder=3)     lx, ly = leader_pose(5.9)    ax.scatter([lx], [ly], marker="*", s=220, label="leader")    ax.set_title("multi-robot formation tracking")    ax.set_xlabel("x (m)")    ax.set_ylabel("y (m)")    ax.legend()    ax.grid(True, linestyle="--", alpha=0.5)    plt.show()  if __name__ == "__main__":    main()
目的：用 60 步仿真演示“领航者-跟随者”编队控制，跟随者通过一阶追踪律不断逼近期望编队位置，画出的轨迹会显示三台跟随者像雁群一样追随领航者。
  1. def leader_pose(t):定义领航者的运动轨迹（正弦摆动），相当于乐队首席的旋律主线。
  2. def follower_step(x, y, lx, ly, dx, dy, dt=0.1):实现一致性追踪律：以 0.8 的比例增益逼近目标点，对应正文的一致性协议 ẋ = k(x_d − x)。
  3. offsets = [(0.0, 1.2), ...]定义三台跟随者的期望编队偏移，形成倒三角队形。
  4. pos[i] = follower_step(...)每步更新跟随者位置，仿真“他慢我随、他快我跟”的耦合修正。
  5. ax.plot(xs, ys, ...)绘制三台跟随者的运动轨迹，直观看到编队收敛效果。

常见误区

误区反正机器人可以并行工作，我多加几台机器人，任务肯定完成得更快，成本无非是买硬件而已。

正解机器人越多，两两配对的通信链路按 n(n−1)/2 增长，通信开销逼近甚至超过新增机器人带来的收益。当消息处理占用率过高时，有效吞吐 T_eff 不升反降，整个系统像塞满乐手的舞台——人越多越挤，反而奏不齐。工程上要在机器人数与通信带宽之间找平衡点，或通过分层架构控制通信范围。

为何常见：直觉上“人多力量大”，但忽略了多机器人系统里通信是共享瓶颈资源，这也是初学者最容易踩的第一个坑。

误区人机共融嘛，就是让机器人在人靠近时赶紧让开，离人类越远越安全。

正解真正的共融是双向适应。机器人该让的时候让（安全距离保持），该配合的时候要主动上前（柔顺控制、意图理解）。比如手术机器人不是躲着医生的手，而是顺着医生的力道精准跟随时，这才是“融合”。如果所有机器人见人就退，服务型机器人连递一杯水都做不到，共融也就没有意义了。

为何常见：把“安全”简单理解为“远离”，忽略了共融的目标是在安全前提下实现协作效率最大化。

误区集中式有单点故障，所以分布式才是王道，所有系统都应该用分布式。

正解分布式架构虽然鲁棒，但保证一致性收敛需要苛刻条件：通信图要连通、时延要受限、权重设计要合理。在任务强耦合的场景（如多机械臂协同装配同一工件），集中式反而更简单可靠。工程上普遍采用混合式——全局集中、局部自治，就像乐团平时各练各的、高潮段听指挥。

为何常见：看到集中式的缺点就全盘否定，犯了“技术二元论”的思维惯性，忽略场景决定架构。

误区为了让机器人之间信息同步，我应该让它们尽量高频地广播自己的位置和状态，发得越多越不会出错。

正解通信频率过高会让网络拥塞，有效吞吐 T_eff = N·f / (1 + N·f·t_msg) 反而下降。更聪明的做法是“按需通信”：位置变化大时才广播、预测误差超阈值才同步、用模型预测填补没有消息的间隙。这就像乐手不会每拍都喊一声“我在 C 调”，而是在关键转折处默契交换眼神。

为何常见：把“信息量”等同于“信息价值”，忽略了消息处理时间和带宽是有限资源——这是分布式系统设计中最常见的性能杀手。

面试题

Q1. 集中式架构中中央节点故障，最可能的结果是？

单选题 · easy

  • A.群体协同立即瘫痪失序← 正确答案
  • B.群体自动切换至备用节点
  • C.各机器人独立完成全部任务
  • D.局部节点接管全球决策权

答案：A。集中式架构的中央节点是唯一全局决策者，一旦宕机，整个群体失去协调——就像乐团指挥突然倒下，乐手们各自为政。B、C、D 都属于分布式系统的自愈特征，不是集中式的行为。

Q2. 市场拍卖机制常用于解决下列哪类问题？

单选题 · easy

  • A.多机器人硬件选型问题
  • B.多机器人任务分配问题← 正确答案
  • C.多机器人路径规划问题
  • D.多机器人传感器标定问题

答案：B。拍卖机制通过机器人对任务“出价”、价低者得的方式解决任务分配，同时隐含了负载均衡。路径规划、传感器标定、硬件选型都不需要“竞价”逻辑，所以选 B。

Q3. 人机共融中“意图理解”的核心目标是？

单选题 · easy

  • A.让机器人能够完全替代人类
  • B.让机器人预测并配合人类动作← 正确答案
  • C.让机器人屏蔽人类一切干扰
  • D.让机器人无条件服从人类指令

答案：B。意图理解是用视觉、力觉等信息预测人类下一步动作，从而主动配合——就像乐手看出观众想握手时提前放下琴弓。A、C、D 分别走向“替代”“屏蔽”“盲从”的极端，都不是共融的本义。

Q4. 一致性协议 ẋᵢ = Σ aᵢⱼ(xⱼ − xᵢ) 中，若邻接权重全部为 0 则？

单选题 · mid

  • A.所有机器人状态快速收敛
  • B.各机器人之间不存在信息关联← 正确答案
  • C.机器人集群立即聚集到原点
  • D.系统通信负载显著上升

答案：B。aᵢⱼ 全为 0 表示每个机器人没有任何邻居，状态差 xⱼ − xᵢ 根本不会被传播，群体退化为互不通信的独立个体——像一群戴着隔音耳机的乐手，谁也不知道对方在弹什么。此时没有收敛、没有聚集，也没有负载。

Q5. 贝叶斯融合相比简单加权投票的最大优势是？

单选题 · mid

  • A.能结合先验知识与似然证据← 正确答案
  • B.无需任何传感器观测数据
  • C.计算复杂度总是更低
  • D.完全消除所有不确定性

答案：A。贝叶斯融合 P(x|z) ∝ P(x)·ΠP(zᵢ|x) 把“历史经验（先验）”和“当前观测（似然）”统一进一个框架，还能按传感器模型自动分配权重。加权投票只是人为定权，无法利用先验知识，更不可能消除不确定性。

Q6. 安全距离公式中加入误差余量项主要是为了？

单选题 · mid

  • A.抵消传感器噪声和模型偏差← 正确答案
  • B.提高机械臂的末端执行精度
  • C.减少机器人的通信时延
  • D.增强视觉识别算法的鲁棒性

答案：A。d_safe = v·t_reaction + d_comfort + δ_error 中的 δ_error 专门覆盖传感器误差、定位漂移等不确定性，确保机器人即使在最坏估计下也不会侵入人类安全区。B、C、D 分别属于控制精度、网络优化和感知算法的问题，与安全余量无关。

Q7. 通信链路 C = n(n−1)/2，n 从 4 增加到 10 时链路数增长约？

单选题 · hard

  • A.约 3.7 倍
  • B.约 6.5 倍
  • C.约 7.5 倍← 正确答案
  • D.约 2.5 倍

答案：C。n=4 时链路数 6，n=10 时链路数 45，45 ÷ 6 = 7.5 倍。这正是多机器人系统“人越多沟通成本越爆炸”的数学根源——机器人数只增长 2.5 倍，通信链路却增长 7.5 倍，所以架构设计必须控制通信范围。

Q8. 在固定通信时延τ的系统中，一阶追踪律增益 k 的理论稳定上限约为？

单选题 · hard

  • A.与通信时延无关可任意增大
  • B.上限正比于时延倒数而受限← 正确答案
  • C.上限等于通信时延数值平方
  • D.完全不随通信时延改变改变

答案：B。固定时延会引入相位滞后，增益 k 超过临界值（量级约为 1/τ）时系统振荡失稳，就像乐手跟着延迟半拍的伴奏越追越快最后乱套。时延补偿的目的正是通过预测拉长这个稳定边界，而不是让增益无限增大。

Q9. 多机器人动态任务重分配的常见触发场景有？

多选题 · mid

  • A.某机器人电量告急无法继续← 正确答案
  • B.高优先级新任务突然插入← 正确答案
  • C.环境地图更新旧方案失效← 正确答案
  • D.所有机器人任务全部结束

答案：ABC。电量告急需要把任务转包（A）、高优先级任务插入需要重新竞价（B）、地图更新使原计划不再最优（C）都会触发重分配。D 是任务全部完成，系统进入空闲，不存在“重分配”需求。

Q10. 在非理想通信下的一致性分析中，下列哪些说法正确？

多选题 · extreme

  • A.固定时延会压缩稳定增益上限← 正确答案
  • B.丢包等价于部分权重被置零← 正确答案
  • C.无向连通图保证状态渐近一致收敛← 正确答案
  • D.任意增大增益都提升收敛速度

答案：ABC。固定时延引入相位滞后，会压缩稳定增益区间（A 对）；丢包本质上让某条连接的信息丢失，等价于 aᵢⱼ 被临时置零（B 对）；标准一致性协议在无向连通图下保证渐近收敛（C 对）。D 错——增益超过临界值会导致振荡发散，不是越大越好，这正是性能调优中时延补偿要解决的问题。