Pengantar Pengendalian Kawanan (Multi-Robot) — Membangun Pengelompokan, Formasi, dan Konsensus

Ketika ratusan drone secara bersamaan mengatur ulang formasi mereka dalam pertunjukan drone, atau ketika armada robot gudang bergerak tanpa bertabrakan, tidak ada satu pun "pusat komando" yang menghitung setiap gerakan secara real-time. Dalam kebanyakan kasus, setiap robot hanya melihat informasi terbatas tentang lingkungannya sendiri dan mengikuti aturan sederhana — dan dari situ, perilaku yang teratur dan bermakna muncul untuk kelompok secara keseluruhan. Artikel ini membahas gagasan kontrol kawanan (kontrol multi-robot) — membangun keseluruhan yang kompleks dari bagian-bagian sederhana — dari tiga sudut pandang: gerakan berkelompok, pembentukan konsensus, dan kontrol formasi.

Robot kawanan di lapangan (Kilobot)

Gambar: Kilobot kawanan robot (asuscreative, CC BY-SA 4.0), Wikimedia Commons. Contoh representatif dari penelitian robotika kawanan yang hanya berjalan berdasarkan aturan lokal, bukan drone atau robot gudang yang dibahas dalam teks.

0. Apa yang Dibahas Artikel Ini

• Masalah apa yang coba dipecahkan oleh kontrol kawanan, dan mengapa satu robot saja tidak cukup
• Hubungan antara informasi yang sebenarnya dapat diperoleh setiap robot (masukan) dan keluaran (perintah kecepatan) yang dibangun darinya
• Perbedaan arsitektur antara desain terpusat dan terdesentralisasi
• Bagaimana cara kerja pengelompokan berbasis aturan lokal, yang dicontohkan oleh Boids
• Matematika pembentukan konsensus melalui algoritma konsensus
• Perbedaan di antara tiga pendekatan kontrol formasi — pemimpin-pengikut, struktur virtual, dan berbasis perilaku
• Bagaimana kendala komunikasi (latensi, putus koneksi, bandwidth) membentuk desain kontrol kawanan
• Pendekatan mana yang harus dipilih untuk aplikasi mana — pertunjukan drone, robot gudang, pencarian bencana, dan banyak lagi

1. Intinya: Apa Itu Kontrol Kawanan

Dalam satu kalimat: kontrol kawanan adalah kerangka kerja kontrol yang menghasilkan perilaku kolektif yang bermakna untuk seluruh kelompok — penyelarasan, Pemeliharaan formasi, konsensus, pembagian kerja — berdasarkan informasi terbatas dan aturan perilaku sederhana yang dimiliki oleh masing-masing dari banyak robot.

Poin kuncinya adalah bahwa "tidak ada satu pun yang memegang cetak biru untuk keseluruhan." Sama seperti sekumpulan burung yang tidak memiliki konduktor, banyak algoritma kontrol kawanan dirancang sedemikian rupa sehingga setiap robot hanya menggunakan informasi tentang robot lain di dekatnya (tetangganya), dan bahkan tanpa pernah mengetahui keadaan lengkap seluruh kelompok, kawanan secara keseluruhan akhirnya bergerak sebagai satu unit yang koheren. Ide ini — "membangun tatanan global dari informasi lokal" — adalah apa yang secara fundamental membedakan kontrol kawanan dari kontrol robot tunggal.

2. Mengapa Kontrol Kawanan Diperlukan?

Jika suatu masalah dapat diselesaikan oleh satu robot berkinerja tinggi, kontrol kawanan tidak diperlukan. Kontrol kawanan dipilih dalam praktiknya dalam situasi di mana satu unit, pada prinsipnya atau dalam praktiknya, berada dalam posisi yang kurang menguntungkan — misalnya:

• Cakupan spasial: satu robot akan membutuhkan waktu terlalu lama untuk mencari lokasi bencana atau lapangan yang luas dari satu ujung ke ujung lainnya. Membagi pekerjaan di antara banyak robot mempersingkat waktu pencarian kira-kira sebanding dengan jumlah robot.
• Redundansi dan toleransi kesalahan: dengan konfigurasi unit tunggal, satu kegagalan menghentikan seluruh misi; kawanan yang terdiri dari banyak robot dapat melanjutkan misi dengan sisanya bahkan jika beberapa robot gagal.

• Pekerjaan simultan di beberapa titik: beberapa misi secara inheren membutuhkan keberadaan di beberapa tempat sekaligus — membentuk bentuk dalam pertunjukan drone, atau secara simultan membawa barang ke beberapa lokasi di gudang.

• Biaya per unit: daripada membangun satu robot berkinerja tinggi, menggunakan banyak robot sederhana dan murah dapat menguntungkan dalam hal total biaya dan fleksibilitas penyebaran.

Untuk benar-benar mewujudkan manfaat ini dibutuhkan lebih dari sekadar meningkatkan jumlah robot — dibutuhkan hukum kendali yang mencegah robot bertabrakan sambil mempertahankan perilaku kolektif yang selaras dengan tujuan. Itulah peran kendali kawanan.

3. Apa Saja Inputnya?

Informasi yang dapat digunakan setiap robot untuk kendali kawanan dapat diklasifikasikan sebagai berikut, tergantung pada pengaturan komunikasi dan penginderaan.

• Keadaan diri: posisi, kecepatan, dan orientasi robot itu sendiri. Biasanya diperoleh melalui GPS, odometri, atau metode penentuan lokasi sendiri seperti VIO/LIO.

• Informasi relatif tentang robot tetangga: posisi dan kecepatan relatif robot di dekatnya, yang diamati langsung dengan sensor seperti kamera, LiDAR, atau pengukuran jarak UWB (ultra-wideband).

• Pesan melalui komunikasi: informasi posisi, kecepatan, dan tujuan (ke mana ia akan menuju selanjutnya) yang dikirim secara eksplisit dari robot lain melalui tautan nirkabel.

• (Dalam desain terpusat) perintah dari node pusat: posisi target atau penugasan peran yang didistribusikan ke masing-masing robot oleh komputer pusat (stasiun darat, misalnya) yang melacak keadaan seluruh kawanan.

Poin pentingnya adalah bahwa banyak algoritma kontrol kawanan praktis tidak memerlukan "keadaan lengkap seluruh kawanan" sebagai input. Algoritma yang beroperasi hanya menggunakan informasi relatif dari beberapa robot terdekat adalah pendekatan utama, dan justru inilah yang mencegah volume informasi yang harus diproses setiap robot meledak seiring bertambahnya jumlah robot.

4. Apa yang Kita Selesaikan? Apa Hasil Keluarannya?

Hasil akhir dari kontrol kawanan, untuk setiap robot, adalah bagaimana robot tersebut harus bergerak pada saat berikutnya (perintah kecepatan, atau posisi target). "Keadaan yang diinginkan untuk keseluruhan" yang ingin dicapai oleh hasil keluaran ini terbagi menjadi kategori-kategori berikut, tergantung pada tujuannya.

• Konsensus: menyatukan beberapa kuantitas keadaan (posisi, kecepatan, atau perkiraan) di setiap robot menuju satu nilai umum.

• Formasi: setiap robot terus-menerus mempertahankan hubungan posisi relatif yang ditentukan dengan robot lain (segitiga, garis, lingkaran, dll.).

• Pengelompokan: tanpa bentuk target yang eksplisit, kawanan bergerak sebagai satu massa yang koheren, menghindari tabrakan sambil menyesuaikan kecepatan dengan tetangganya.

• Alokasi tugas: memutuskan tugas mana dari beberapa tugas diskrit — pencarian, pengangkutan — yang harus dilakukan oleh setiap robot individu.

Semua tugas ini memiliki struktur yang sama, yaitu "akumulasi keluaran lokal setiap robot memenuhi sifat kolektif yang diinginkan untuk keseluruhan" — dan diagram arsitektur dasar pada bagian selanjutnya menggambarkan siklus akumulasi tersebut.

5. Arsitektur Dasar

Siklus pemrosesan yang berjalan di dalam setiap robot mengikuti empat tahap yang kurang lebih sama, terlepas dari algoritma kontrol kawanan.

Gambar 1 — Setiap robot individu terus menjalankan loop frekuensi tinggi: mengumpulkan informasi tetangga, menerapkan aturan lokal, mengeluarkan perintah kecepatan, dan memberikan umpan balik gerakan yang dihasilkan ke penginderaan siklus berikutnya.

Loop yang berjalan secara bersamaan di banyak robot inilah yang memungkinkan kawanan secara keseluruhan menunjukkan perilaku yang teratur, meskipun tidak ada robot individu yang pernah mengetahui keseluruhan cetak biru. Keputusan desain tentang "siapa yang memegang informasi tentang keseluruhan" menimbulkan perbedaan arsitektur yang akan dibahas selanjutnya.

Gambar 2 — Arsitektur terpusat adalah struktur bintang di mana simpul pusat mengetahui keadaan setiap robot dan mengirimkan perintah. Arsitektur terdesentralisasi adalah struktur jala di mana robot hanya bertukar informasi dengan tetangganya, sehingga kegagalan simpul pusat tidak menghentikan seluruh sistem.

6. Algoritma Representatif

Boids — Membangun Gerakan Berkelompok dari Aturan Lokal

Boids adalah model yang diusulkan Craig W. Reynolds dalam makalahnya tahun 1987 "Flocks, Herds, and Schools: A Distributed Behavioral Model," untuk mereproduksi gerakan berkelompok burung dan ikan dalam grafik komputer. Setiap individu (boid) hanya memperhatikan tetangganya dan bergerak ke arah yang diperoleh dengan menimbang dan menjumlahkan tiga aturan sederhana.

• Pemisahan: menjauh dari tetangga yang terlalu dekat
• Penyelarasan: sesuaikan kecepatan Anda sendiri dengan arah rata-rata tetangga Anda
• Kohesi: bergerak menuju posisi rata-rata tetangga Anda

Dalam setiap aturan ini, yang diketahui individu hanyalah posisi dan kecepatan relatif dari beberapa tetangga — tidak ada yang secara eksplisit melacak bentuk atau pusat seluruh kawanan. Namun, dari superposisi hanya tiga aturan ini saja, gerakan kawanan alami muncul: kelompok tersebut menghindari tabrakan sambil bergerak bersama sebagai satu massa. Fenomena ini — "pola global kompleks yang muncul dari superposisi aturan lokal sederhana" — adalah ide paling mendasar yang mendasari seluruh bidang pengendalian kawanan.

Medan Potensial — Membangun Gerakan dari Daya Tarik dan Tolak

Metode medan potensial buatan Oussama Khatib, yang diusulkan dalam makalahnya tahun 1986 "Penghindaran Rintangan Real-Time untuk Manipulator dan Robot Bergerak," awalnya dirancang untuk penghindaran rintangan oleh satu robot, tetapi dengan menggabungkan potensial tarik menuju tujuan dengan potensial tolak dari robot tetangga, metode ini secara alami juga berlaku untuk kontrol kawanan.

Cukup bergerak ke arah yang menuruni gradien potensial tarik U_{\text{att}}, yang menyusut saat Anda mendekati tujuan, dan potensial tolak U_{\text{rep}}, yang meningkat tajam saat Anda terlalu dekat dengan tetangga, menghasilkan gerakan yang menuju ke tujuan sambil menghindari tabrakan dengan individu lain. Aturan pemisahan Boids pada dasarnya adalah ide yang sama dengan potensial tolak ini.

Model Vicsek dan Algoritma Konsensus — Matematika Pembentukan Konsensus

Jika Boids muncul dari motivasi teknik dan visual — "mereproduksi bagaimana hewan bergerak" — fisika mengambil jalur yang berbeda, mempelajari gerakan kawanan melalui model matematika yang lebih sederhana. Model Vicsek, yang diterbitkan oleh Tamás Vicsek dan rekan-rekannya di Physical Review Letters pada tahun 1995, adalah model sederhana — hampir seperti hanya mengekstrak aturan penyelarasan Boids — di mana setiap partikel bergerak dengan kecepatan konstan sambil mengikuti arah rata-rata partikel tetangganya, ditambah noise. Model ini menunjukkan bahwa, tergantung pada kekuatan noise tersebut, kawanan mengalami transisi fase antara fase teratur, di mana seluruh kelompok bergerak secara koheren, dan fase tidak teratur, di mana gerakan tersebar.

Kerangka kerja yang secara ketat memformalkan ide model Vicsek ini dalam istilah teori kontrol adalah algoritma konsensus. Dalam kerangka kerja yang disusun oleh makalah Reza Olfati-Saber dan Richard M. Murray tahun 2004 di IEEE Transactions on Automatic Control, antara lain, keadaan setiap robot x_i (yang dapat berupa apa saja — posisi, orientasi, perkiraan) terus diperbarui ke arah yang memperkecil perbedaan dengan tetangganya.

Mengumpulkan ini di semua robot memberikan bentuk \dot{\mathbf{x}} = -L\mathbf{x}. L adalah matriks yang disebut Laplacian grafik, dan ini mewakili struktur jaringan komunikasi itu sendiri — siapa yang dapat berkomunikasi dengan siapa. Selama grafik komunikasi terhubung (ada jalur, langsung atau melalui yang lain, antara setiap pasangan robot), aturan pembaruan sederhana ini saja terbukti dapat mengkonvergensi keadaan setiap robot ke satu nilai umum. Ini adalah inti matematis dari algoritma konsensus, yang dapat diterapkan pada berbagai masalah di luar penyelarasan kawanan — sinkronisasi waktu, perataan perkiraan terdistribusi, dan banyak lagi.

Kontrol Formasi — Pemimpin-Pengikut, Struktur Virtual, dan Berbasis Perilaku

Ketika Anda ingin mempertahankan formasi geometris eksplisit (segitiga, barisan tunggal, dll.), Anda menggunakan kontrol formasi, kerangka kerja yang lebih terarah. Ada tiga pendekatan desain yang representatif.

• Pemimpin-pengikut: satu robot (atau sebagian) bertindak sebagai pemimpin, dan yang lain mengikuti, mempertahankan posisi relatif terhadapnya. Kerangka kerja yang ditunjukkan oleh Jaydev P. Desai, James P. Ostrowski, dan Vijay Kumar di ICRA 1998, dan kemudian di IEEE Transactions on Robotics and Automation pada tahun 2001, adalah contoh representatif, menggunakan teori graf untuk secara eksplisit mendesain robot mana yang mengikuti siapa. Ini intuitif dan mudah diimplementasikan, tetapi memiliki kelemahan bahwa seluruh formasi cenderung runtuh jika pemimpin gagal.

• Struktur virtual: sebuah pendekatan yang diusulkan oleh M. Anthony Lewis dan Kar-Han Tan dalam makalah mereka tahun 1997 "Kontrol Formasi Presisi Tinggi Robot Bergerak Menggunakan Struktur Virtual," yang memperlakukan seluruh formasi sebagai satu struktur kaku virtual dan membuat setiap robot mengikuti posisi tetap pada struktur tersebut. Pendekatan ini mempertahankan akurasi tinggi untuk formasi secara keseluruhan, tetapi seseorang perlu menghitung lintasan target untuk seluruh struktur, yang membuatnya sulit untuk mencapai desain yang sepenuhnya terdesentralisasi.

• Berbasis perilaku: sebuah pendekatan yang ditunjukkan oleh Tucker Balch dan Ronald C. Arkin dalam IEEE Transactions on Robotics and Automation pada tahun 1998, di mana beberapa perilaku reaktif — "mempertahankan formasi," "menuju tujuan," "menghindari rintangan" — dihitung secara paralel dan dikombinasikan dengan bobot untuk menghasilkan gerakan aktual. Mirip dengan Boids, pendekatan ini memberikan otonomi dan ketahanan yang tinggi pada setiap robot, tetapi akurasi geometris formasi cenderung lebih buruk daripada dua pendekatan lainnya.

7. Perbedaan Algoritma

Sebagai tren umum, semakin Anda memprioritaskan akurasi geometris formasi (struktur virtual), semakin banyak berbagi informasi dan biaya komputasi yang dibutuhkan; Semakin Anda memprioritaskan desentralisasi dan ketahanan (Boids, berbasis perilaku), semakin akurasi formasi itu sendiri dikorbankan. Algoritma konsensus berada di tengah-tengah antara dua ekstrem ini, mencapai "jaminan konvergensi matematis yang ketat" dan "desentralisasi yang hanya membutuhkan komunikasi antar tetangga."

8. Di Mana Ia Mengalami Kesulitan / Lingkungan yang Sulit

Banyak kesulitan yang dihadapi kontrol kawanan dalam implementasi dan pengoperasian adalah masalah spesifik kolektif yang tidak ada dalam kontrol robot tunggal.

• Latensi dan pemutusan komunikasi: sebagian besar jaminan konvergensi untuk algoritma konsensus mengasumsikan grafik komunikasi terhubung. Di lingkungan nyata, komunikasi dapat terputus atau tertunda oleh jangkauan radio atau hambatan, dan begitu asumsi ini gagal, masalah muncul — konsensus gagal untuk konvergen, atau konvergen ke nilai yang salah.

• Skalabilitas: dalam arsitektur terpusat, beban komputasi dan kebutuhan bandwidth komunikasi node pusat meningkat tajam seiring bertambahnya jumlah robot, dan di luar jumlah tertentu, kinerja waktu nyata tidak dapat lagi dipertahankan. Bahkan dalam arsitektur terdesentralisasi, beban penginderaan dan komunikasi meningkat di lingkungan padat dengan banyak tetangga.

• Minimum lokal dan kebuntuan: metode medan potensial dapat membuat robot terjebak pada "minimum lokal" di mana beberapa gaya tolak dan tarik seimbang, sehingga tidak dapat mencapai tujuan (contoh tipikal adalah situasi kemacetan di mana beberapa robot mencoba memasuki lorong sempit pada saat yang bersamaan).

• Desain toleransi kesalahan yang tidak memadai: desain terdesentralisasi secara teoritis dikatakan tangguh terhadap kegagalan parsial, tetapi dalam praktiknya, desain dengan beberapa asimetri bawaan — seperti pemimpin-pengikut — dapat mempertahankan mode kegagalan yang lebih rapuh daripada yang diharapkan.

• Robot dan sensor campuran heterogen: dalam penerapan di dunia nyata di mana model robot dan sensor onboard tidak seragam, presisi dan frekuensi informasi yang diperoleh setiap robot berbeda, dan algoritma yang didasarkan pada satu model ideal cenderung tidak berfungsi dengan baik apa adanya.

9. Pilihan Praktis

Cara memilih algoritma kontrol kawanan sebagian besar bergantung pada apakah aplikasi memprioritaskan "akurasi formasi" atau "ketahanan/desentralisasi."

• Pertunjukan drone: lintasan dan formasi yang telah ditentukan perlu diekspresikan dengan presisi yang sangat tinggi, dan banyak sistem produksi mengadopsi desain yang mendekati struktur terpusat/virtual, mendistribusikan lintasan yang telah dihitung sebelumnya ke setiap kendaraan (akurasi dan reproduksibilitas diprioritaskan daripada pengambilan keputusan otonom dalam penerbangan).

• Armada robot gudang/logistik: banyak robot pengangkut perlu membagi tugas yang berubah secara dinamis (rak mana ke tujuan mana), dan desain hibrida terpusat/terdesentralisasi umum digunakan — sistem manajemen pusat menangani alokasi tugas, sementara pembuatan jalur dan penghindaran tabrakan robot individu diproses secara terdesentralisasi. Lihat Panduan Perencanaan Jalur untuk dasar-dasar perencanaan jalur.

• Pencarian bencana, pemantauan pertanian, dan cakupan area luas lainnya: karena komunikasi cenderung tidak stabil di lingkungan ini, pendekatan terdesentralisasi dengan sedikit ketergantungan pada pusat (pengelompokan seperti Boids, atau cakupan berbasis konsensus) lebih disukai. Keputusan perilaku robot individu sering dikombinasikan dengan kerangka kerja perencanaan perilaku.

• Robot kawanan skala kecil untuk penelitian dan pendidikan: karena ini adalah pengaturan eksperimental dengan sedikit robot dan komunikasi yang stabil, struktur virtual atau pemimpin-pengikut — yang mengejar akurasi formasi — cenderung diadopsi.

Apa pun aplikasinya, menjawab tiga pertanyaan — "berapa banyak robot yang akan dioperasikan," "seberapa stabil lingkungan komunikasinya," dan "mana yang menjadi persyaratan toleransi kegagalan, akurasi formasi atau ketahanan" — adalah titik awal untuk memilih arsitektur kontrol kawanan.

10. Ringkasan (Ringkasan Tiga Baris)

• Kontrol kawanan adalah kerangka kerja yang menghasilkan perilaku teratur untuk kelompok secara keseluruhan dari aturan lokal yang hanya menggunakan informasi terbatas setiap robot tentang tetangganya.

• Metode boids dan medan potensial mewujudkan gerakan kawanan terdesentralisasi, sementara algoritma konsensus mewujudkan formasi konsensus dengan jaminan konvergensi yang ditetapkan secara matematis melalui Laplacian grafik.

• Pemimpin-pengikut, struktur virtual, dan kontrol formasi berbasis perilaku menempati posisi yang berbeda dalam pertukaran antara akurasi formasi dan ketahanan/desentralisasi, dan harus dipilih sesuai dengan aplikasinya.

Referensi

• Craig Reynolds, "Boids (Kawanan, Kawanan, dan Sekolah: Model Perilaku Terdistribusi)"
• Vicsek dkk., "Tipe Transisi Fase Baru dalam Sistem Partikel yang Digerakkan Sendiri"
• Crazyswarm2 (perangkat lunak kontrol kawanan untuk beberapa drone Crazyflie)