近日，一篇题为《Topological Online Learning for Displacement-based Formation Control》的论文在arXiv上正式发表（编号2606.23901），由Saksham Sharma等四位作者共同完成。该论文提出了一种名为TOLD（Topological Online Learning for Displacement-based）的创新编队控制框架，旨在解决多机器人系统在复杂环境下的鲁棒编队问题。
传统的编队控制方法通常采用节点级鲁棒控制器，通过调节单个机器人的输入来维持队形，但这种方法无法改变机器人之间的交互拓扑结构，因此在面对外部扰动时性能受限。TOLD框架则从边级入手，通过在线学习实时调整机器人之间交互拓扑的权重，直接以最小化编队畸变为目标。这种思路上的转变使得TOLD能够更灵活地适应环境变化，从而显著提升编队的鲁棒性。
TOLD框架包含两种具体的实现策略：在线梯度流（OGF）和在线指数梯度流（OExpGF）。OGF采用无约束权重，适用于需要快速调整的场景；而OExpGF使用非负凸权重，能够保证渐近一致性。理论分析表明，对于在向图上的单积分器智能体，OExpGF可以保证系统状态逐渐趋于一致，而OGF则能确保编队畸变始终有界。
为了验证TOLD的有效性，研究团队进行了详尽的仿真和实物实验。在仿真中，他们设置了一个由12个机器人组成的编队，在间歇性干扰条件下运行。结果表明，将TOLD与传统的节点级控制器结合使用后，中位累积均方根畸变误差降低了1.2%至33.14%，体现了TOLD在不同场景下的广泛适用性。
进一步的硬件实验使用了Crazyflie 2.0四旋翼飞行器，这是多机器人研究中的常用平台。实验将TOLD与固定权重的共识方法进行对比，结果显示，OGF策略将中位编队畸变降低了62%以上，而OExpGF策略也实现了31.4%的降低。这些实际数据有力地证明了TOLD在真实硬件上的可行性和优越性。
该研究成果横跨机器人学（cs.RO）和系统与控制（eess.SY）两个领域，为多机器人系统在高扰动环境下的协同控制提供了全新的思路。随着机器人编队在搜索救援、环境监测和军事任务中的应用日益广泛，TOLD所代表的边级自适应方法有望成为未来编队控制的重要工具。