SistemMultirobot

memiliki potensi untuk menjadi jauh lebih berguna daripada bots ROtunggal:
beberapa robot dapat melakukan tugas yang diberikan lebih efisien daripada
robot tunggal, beberapa robot
mungkin lebih kuat terhadap kegagalan dari robot tunggal, dan beberapa robot
mungkin dapat mencapai
tugastugas
yang tidak mungkin untuk sebuah robot tunggal. Namun, mencapai potensi yang
dapat
menjadi sangat sulit, terutama dalam kasus di mana beberapa robot berprestasi
tugas mungkin, bukan
hanya lebih baik. Kesulitan timbul terutama dari kemungkinankemungkinan
kombinasi yang melekat
dalam masalah koordinasi tindakan beberapa robot, yang pada umumnya
NPkeras
((Garey dan Johnson,
1979)). Mengingat sistem n robot dan tujuan bersama, mungkin perlu untuk
menghasilkan dan
mengevaluasi sejumlah aksi atau rencana yang eksponensial di n (dengan
asumsi bahwa P = NP).
Salah satu cara umum untuk menyerang masalah tersebut adalah bruteforce
cari di negara ruang / aksi
bersama. Artinya, memperlakukan sistem multirobot
sebagai salah satu robot banyak bertubuh dan
melihat melalui eksponensial banyak kemungkinan sampai swer antepat
ditemukan. Meskipun
pendekatan ini akan menghasilkan solusi yang optimal, itu hanya layak pada
masalah sederhana, seperti
perhitungan yang diperlukan dengan cepat menjadi dipenurut
sebagai jumlah robot dan / atau
kompleksitas masalah tumbuh. Fakta ini bertentangan dengan intuisi yang
memiliki lebih robot yang
tersedia harus membuat tugas lebih mudah, bukan lebih keras, untuk
memecahkan. Selain itu, pendekatan
ini tidak diinginkan untuk sebagian besar aplikasi robot, karena memerlukan
seorang perencana terpusat /
eksekutif, yang menghalangi keputusan kontrol lokal di tingkat robot
Seperti halnya dengan banyak algoritma pencarian multiagent,
ada interpretasi ekonomi yang jelas
dari Parish. Sistem multirobot
dapat dilihat sebagai ekonomi sintetis, di mana robot individu dapat
membeli layanan robot lainnya. Sebuah robot menerima (mungkin negatif)
"reward" untuk membuat
(mungkin mundur) kemajuan ke arah gawang. Setiap robot kemudian egois
mencoba untuk
"mendapatkan" sebanyak hadiah mungkin. Nilai, v = bc,
bahwa robot menempel pada rencana yang telah
dirumuskan adalah "harga" yang robot akan "membayar" untuk membentuk tim
yang akan membantu
dalam melaksanakan rencana (robot mungkin menawarkan harga yang sedikit
kurang dari v, untuk
mempertahankan beberapa keuntungan positif). Sebuah robot hanya bergabung
dengan tim ketika

ditawarkan dengan harga yang cukup tinggi untuk mengambilnya dari tim saat
ini, jika ada. Stochastic
pilihan rencana maka sesuai dengan robot sesekali membuat pilihan yang tidak
memaksimalkan
rewardnya,
untuk memperhitungkan fakta bahwa, karena ketidakakuratan dalam harga
(yaitu, nilainilai),
yang ketat rewardmaksimalisasi
tidak akan selalu mengarah ke solusi.