December 16, 2009 Sergio Vilches Expósito, Group 29

“Distributed Artificial Intelligence in Cooperative Mobile Robots:

Swarm Robotics”

Robot groups or colonies can exhibit an enormous variety and richness of behaviors which cannot 
be observed with single systems.
So a group of small, cheap and simple autonomous robots with very limited cognitive capabilities 
can   execute   sophisticated   tasks   that   could   be   impossible   or   very   difficult   to   accomplish   by 
independent or non­sociable robots.
In this paper I will describe how these simple machines can be used in real life, for example, in 
unexplored terrain map creation, foraging tasks, box pushing and clustering, technical inspections, 
structure formation, or any other activity in which a large number of agents is important in order to 
cover a great surface or is needed a real­time change of the robot shape and characteristics.
In order to do this, first we are going to examine the concept of Artificial Intelligence (AI), and 
then   refer   it   to   Multi­Agent   Systems   (MAS),   creating   the   basis   of   knowledge   necessary   to 
understand   which   problems   are   found   in   the   development   of   these   systems,   and   the   different 
approaches that can be followed to solve them.

First of all, it is necessary to define which are the targets of the research: physical agents. P. Maes 
describes agents as “a computational systems that try to fulfill a set of goals in a complex, dynamic 
environment” (1995, 135). In real life, this can be translated as autonomous robots with local views 
(each one can see a part of the environment) working in a decentralized system (there isn't any 
leader that guides the robots), and with social abilities (interaction with the environment and with 
other robots).
So,   with   the on­board sensors of these robots, they can make physical measurements (light, 
temperature, chemicals), detect objects and, the most important thing, be able to know their position 
relative to other robots. 
The   next   step   is   clear:   use   this   sensing   and   intercommunication   abilities   to   establish   robot 
ecosystems, this is, programming a social algorithm in each agent, so that they can develop tasks in 
groups. A very interesting way to do this, as Cao, Fukunaga and Kahng point out, is to emulate 
natural societies like ant colonies, “which provide striking proof that systems composed of simple 

1
December 16, 2009 Sergio Vilches Expósito, Group 29

agents can accomplish sophisticated tasks in the real world” (1997, 21). 
In these cases, each agent follows very simple rules  and are highly reactive. So, in order to 
execute a task, the main problem is how to distribute it among different agents (This is a major 
problem in DAI, which is studied as Distributed Problem Solving).
In order to allocate tasks, agents must communicate through  weighted request matrices, which 
are based in a protocol known as Challenge­Response­Contract. It can be understood as a dialogue 
among the whole system:  First a "Who can?" question is distributed. Only the relevant components 
respond: "I can, at this price" (This price depends on the availability of that robot to accomplish that 
task). Finally, a contract is set up, usually in several more short communication steps between sides.
This idea, which appears to be very easy, is tremendously complex to study. Even in simple 
environments, it is almost impossible to correctly determine the behavioral repertoire and concrete 
activities of a Multi Agent System a priori, as it is based in internal interferences among agents, and 
therefore impossible to be modeled.
So, if the reaction of any agent to a certain stimulus cannot be determined, how can the system be 
programmed? Here appears the main key of Artificial Intelligence: learning. 
If we give each robot the ability to adapt and to learn as an individual (isolated learning) and as a 
group (interactive learning), the performance of the system will increase automatically with time, 
and robots will be capable of dealing with dynamic changes.
AI learning  has been a huge object of study during the past 50 years, but its application in Multi­
Agent robotics has been mainly developed by Liu and Wu. In their research, they use evolutionary 
algorithms to achieve interactive learning. This process, which is based in Darwinism, works by 
using digital genes.
Let's propose an example to explain this concept. In a test environment is placed a rectangular 
box, a target and three robots. The objective of the three agents is 
to move the box from its starting point to the target, collaborating 
Bo
in order to get the best performance. If we tried the same task with  x
only one robot, we would see that pushing a rectangular box is not 
Robot
easy   at   all,   because   whenever   the   agent   pushes   in   a   direction  Drawing 1: Problems of box-
different from its center of gravity, the box would spin and not  pushing using one robot.
move in the right direction. So, the labor of the three robots is rearrange themselves in order to push 
the box evenly.

2
December 16, 2009 Sergio Vilches Expósito, Group 29

Their first tries are random, so the box may not move in the 
right direction. The robots would notice it, and would try to 
guess why. They will make a random change and look if there 
has   been   any   improvement  in   the  movement  of  the  box.  If 
that's the case, they will maintain that arrangement, but make 
some   minor   changes.   Of   course,   this   genetic   algorithm   is 
much more complex, but its explanation is out of the scope of 
this essay. What we should keep in mind is that, by trial and 
error, the system will lead to an efficient configuration, and 
try to improve it in each generation. Illustration 1, shows the 
Illustration 1: Box-pushing trajectories
effect of  this  evolutionary algorithm, developed by Liu and  created by three group robots. The solid line
corresponds to the trajectory of the box (•),
Wu (2001, 161). whereas the others correspond to the
movement traces for the three robots (*). At
Another example of interactive learning can be observed in  the beginning, the net pushing force of the
robots results in a rather randomized motion
another experimental case studied by the same authors. This  of the box. After some generations of selection,
a niche is fund, representing a globally near-
time, the aim is to create a map of an unknown environment  optimal collective motion strategy. (© 1999
IEEE).
using a swarm of six microbots.
In this situation, communication between agents is required in order to be 
able to scan as much terrain as possible in a certain time.  So, robots will need 
to agree between them in order to decide which part of landscape will be 
scanned by each of them.
Illustration 2 shows three maps. The first one represents the environment 
that Liu and Wu used in their experiment. The next one is a real map created 
by mixing the data collected by each one of the six robots using a simple 
predefined motion strategy. Notice that some figures are not well defined and 
that there exist unexplored parts of the environment. In the last picture, the 
robots   are   programmed   with   an   evolutionary   strategy,   so,   thanks   to   their 
common agreements, they can scan a wider zone, and therefore, have less 
errors in the map creation.
Until here we have explored the techniques, theory and practical uses of 
Multi­Agent Robotics Systems. Notice, although, that this is a topic in active 
research   process,   and   that   the   technology   of   the   agents   (robots)   is   being  Illustration 2: Maps
created by 6 autonomous
robots. © 1999 IEEE
3
December 16, 2009 Sergio Vilches Expósito, Group 29

reinforced   every   year,   with   new   advances   in   materials,   electronics,   nanotechnology   and 
communications.   So,   we   should   not   be   surprised   if   in   30   years   time,   we   start   having   medical 
nanobots,   which   could   repair   organic   tissues,   or   swarms   of   little   robots   that   could   explore 
unaccessible places. 
As Weiß  said, “intelligence and interaction are deeply and inevitably coupled to each other” 
(1996, 3). This has been realized by AI investigators, and have reinforced the common saying Unity  
is strength.

Bibliography:
–  Arkin, Ronald C. and Bekey, George A. ed. Robot colonies. Boston, Dordrecht and London: 
Kluwer Academic Publishers, 1997.
–  Burgard Wolfram.   Collaborative Multi­Robot Exploration.  Freiburg: IEEE Press, 2000.
–  Cao, Fukunaga and Kahng.  “Cooperative Mobile Robotics: Antecedents and Directions.” 
Autonomous Robots 4 (1997): 7­27. 
–   Liu,   Jiming   and   Wu,   Juanbing.    Multi­Agent   Robotic   Systems.     Florida:   CRC   Press 
International, 2001.
–  Maes, P.  Modeling adaptive autonomous agents.  Cambridge: The MIT Press, 1995.
–   Weiß,   G.  Adaptation   and   learning   in   multi­agent   systems:   Some   remarks   and   a  
bibliography. Munchen: Technische Universität München, 1996.