1) Pojedynczy robot ma ograniczone czujniki (typowo do kilku metrów) i może komunikować się tylko z bezpośrednimi sąsiadami. 2) Każda jednostka wykonuje ten sam zestaw prostych reguł sterowania (np. trzymaj odległość X, podążaj w kierunku średniej sąsiadów, unikaj kolizji). 3) Brak centralnego planisty — żaden robot nie ma globalnej mapy ani identyfikatorów innych jednostek. 4) Z lokalnych interakcji wyłania się zachowanie kolektywne (formacja, agregacja, podążanie za gradientem, kolektywny transport). 5) Algorytmy często bazują na bionice (mrówcze ślady feromonowe → ant colony optimization, ruch stada → flocking/Boids) lub na sterowaniu opartym na potencjałach pól. 6) Rosnąco używane jest też multi-agent reinforcement learning (MARL) do uczenia reguł roju.
Zadania zbyt duże, niebezpieczne lub geograficznie rozproszone dla pojedynczego robota — eksploracja katastrof, inspekcja długich rurociągów, ochrona terenów leśnych, rolnictwo wielkoobszarowe — wymagają wielu jednostek działających równolegle. Centralne sterowanie n robotami nie skaluje się (przepustowość komunikacji, pojedynczy punkt awarii, opóźnienia). Swarm Robotics rozwiązuje to przez decentralizację: każdy robot decyduje lokalnie, a zachowanie globalne wyłania się ze skali.
Mała, autonomiczna jednostka z ograniczonymi czujnikami i niewielką mocą obliczeniową. Wykonuje ten sam zestaw reguł co reszta roju. Świadomie projektowana tak, by była tańsza i prostsza od klasycznego robota mobilnego — zastępujemy złożoność jednostki skalą roju.
Oficjalna
Mechanizm wymiany informacji ograniczony do bezpośrednich sąsiadów (zasięg radiowy, podczerwień, sygnały świetlne, wirtualne feromony). Brak globalnego broadcastu, brak centralnego brokera. Komunikacja lokalna jest kluczowym ograniczeniem, które wymusza decentralizację.
Oficjalna
Identyczny zestaw prostych reguł stosowany przez każdego członka roju — od klasycznych reguł Boids (separation, alignment, cohesion) po nauczone przez MARL polityki. Zestaw musi gwarantować emergentne zachowanie globalne mimo braku globalnego stanu.
Obserwowane na poziomie całego roju zachowanie, którego nie da się jednoznacznie odczytać z reguł pojedynczej jednostki. Klasyczne przykłady: formacja stada, kolektywny transport, agregacja przy źródle światła, segregacja klasterów.
Reguły, które na papierze powinny dać zachowanie A, w praktyce dają B. Zachowanie kolektywne jest trudne do przewidzenia analitycznie z reguł lokalnych — wymaga obszernej symulacji i empirycznej walidacji.
Naiwne broadcasty w dużych rojach (>100 jednostek) szybko nasycają pasmo radiowe i powodują kolizje pakietów. Klasyczny błąd początkujących projektów rojowych.
Rój powinien być odporny na utratę pojedynczych jednostek (jedna z głównych zalet paradygmatu), ale w praktyce nieprzemyślane reguły mogą prowadzić do kaskadowych awarii (klaster nieaktywnych robotów blokujący przepływ informacji).
Craig Reynolds publikuje Flocks, Herds, and Schools: A Distributed Behavioral Model — matematyczny model stada ptaków oparty na trzech regułach (separation, alignment, cohesion). Fundament algorytmów rojowych.
Gerardo Beni i Jing Wang wprowadzają termin Swarm Intelligence w kontekście cellular robotic systems — szerszej rodziny, do której należy późniejsza Swarm Robotics.
Erol Şahin formalizuje pole Swarm Robotics w klasycznym artykule, ustanawiając kryteria odróżniające rój od dowolnego systemu wielorobotowego.
Michael Rubenstein i zespół z Harvardu demonstrują samoorganizujący się rój 1024 mikrorobotów Kilobot. Pierwsza praktyczna demonstracja rojów na skalę tysięcy jednostek (Science, 2014).
DARPA uruchamia OFFensive Swarm-Enabled Tactics (OFFSET) — program militarny rozwijający taktyki dla rojów 250+ autonomicznych dronów. Sygnał przejścia rojów z laboratorium do operacji.
Międzynarodowe konsorcjum AURA Foresight (UK + Australia) dochodzi do finału XPRIZE Wildfire Autonomous Response z systemem opartym na roju dronów do detekcji i gaszenia pożarów. Praktyczne zastosowanie cywilne na obszarze 1000 km².
Każda jednostka wykonuje swoje reguły niezależnie, asynchronicznie i równolegle. Aktywne ścieżki obliczeń zależą od lokalnego stanu czujników i sąsiadów (input-dependent). Globalnie system jest sparse w sensie informacyjnym — każdy robot widzi małą część świata.
Pełna paralelizacja wykonania — n robotów wykonuje swoje reguły równolegle bez koordynatora. Trening polityk roju (np. MARL) jest również masowo równoległy w symulacji, zwykle na klastrach GPU z dziesiątkami tysięcy równoległych środowisk.
Z definicji projektujemy roboty roju jako tanie, lekkie i o małej mocy obliczeniowej — mikrokontrolery (Kilobot: Atmel), Raspberry Pi (Crazyflie), Jetson Nano. Skala roju kompensuje prostotę jednostki.
Treningu polityk roju metodą multi-agent reinforcement learning (MARL) wymaga klastrów GPU w symulacji — analogicznie do whole-body action foundation models.
