DARPA OFFSET: A Vision for Advanced Swarm Systems through Agile Technology Development and ExperimentationDARPA OFFSET: A Vision for Advanced Swarm Systems through Agile Technology Development and Experimentation

Abstract

As robotics and autonomous technologies continue to see breakthrough innovations, specifically in the areas of large-scale multi-robot teams, their alignment with operationally relevant applications in fielded contexts has been necessary to both obtaining valuable user feedback as well as informing and refining the use cases themselves, i.e., co-evolving the concepts of operations alongside technology maturation. The Defense Advanced Research Projects Agency (DARPA) OFFensive Swarm-Enabled Tactics (OFFSET) program1 was a four-year program which actively embraced this iterative, mission-focused development approach, coupling technology innovation with field experimentation activities to rapidly advance capabilities for large-scale, heterogeneous robotic teams in complex and adversarial urban environments. This vision paper highlights the motivation for the OFFSET program; provides descriptions of the technical objectives and outcomes; and offers insights into the program structure designed to facilitate and inject technology innovations through an ambitious campaign of field tests and learning.

SHaSTA: An Open-Source Simulator for Human and Swarm Team Applications

“…Human-swarm teams are increasingly recognized as transformative for various sectors, including logistics, agriculture [5,35], and notably in critical applications such as disaster response [11,41] and battlefield operations [19]. The potential for these teams to surpass traditional human-human collaborations hinges on their unique blend of distributed robotic agility and human oversight.…”

Collaborative Multiple Autonomous Systems

“…术研究院融合图像、深度图的云机器人系统 [2] 以及 卡耐基梅隆大学无人机和地面机器人协同的 SLAM 系统 [3] 。在跨域匹配方面，哈尔滨工业大学利用自 监督学习实现了空 -地局部特征、全局特征的对 齐 [4] ，宾夕法尼亚大学提出了多域多源数据的时空 对齐和语义匹配算法 [5] 。但这些研究仅关注物理域 搜救系统 [6] 、南加州理工大学同时自主探索与建图 的全局栅格地图 [7] ，以及昆士兰大学 [8] 、中国科学院 沈阳自动化研究所 [9] 等机构的类脑稀疏拓扑认知地 图。多机协同目标检测、跟踪的代表性研究包括南 洋理工大学的多机协同目标搜索 [10] 、得克萨斯大学 基于视觉的多无人机协同搜索与跟踪的深度学习方 法和融合激光、相机的多模态目标跟踪 [11] 。 多机协同智能发展战略研究 地察打，但尚未在实际环境中应用。洛桑联邦理工 学院提出了稠密障碍物环境下的集群避障方法，但 只能离线集中式求解 [13] ；③ 浙江大学提出了基于 实时视觉感知和在线时空最优规划方法，实现了复 杂环境下分布式自主飞行和编队协同 [14] ，但系统规 器人任务优先级排序方法(佐治亚理工学院 [15] ) 、多 机协同与对抗的深度强化学习方法(DeepMind [16] ) ， 但均存在效率低、收敛慢，难以适应大规模任务等 局限性。代表性工作包括哈尔滨工程大学研发的50个 海洋机器人协同作业系统(2021 年) [17] 、欧盟山区雪 地多机协同搜救的 SHERPA 项目 [18] (2015 年) ，美 国国防部高级研究计划局用多个地面无人车、旋翼 无人机和固定翼无人机构成的系统在仿真城市环境 中实现了空地协同搜索和跟踪目标(2020 年) [19] 。 能力的机器人，如波士顿动力公司的 Stretch [20] 。但 这类机器人通常存在场景适应性差、操作技能单 一、体 -臂协同控制难等问题。文献报道的工作多 沿袭自主智能运动体的研究思路，围绕这三个问题 展开。 针对场景适应性差的问题，研究者们提出了机器 人长期自主探索(美国卡内基梅隆大学，2022年 [21] ) 、 具身导航(澳大利亚阿德莱德大学，2023 年 [22] )等 方法，但这些方法适用场景有限，无法应对复杂动 态环境和执行长期任务。针对机器人操作技能单一 问题，斯坦福大学、麻省理工学院 [23] 等提出了通用 操作技能模型，引入基础模型解决未经训练即能生 成机械臂动作问题。 针对体 -臂协同控制的研究可分为两类：① 对 机器人移动本体和机械臂进行独立规划(如英特尔 公司和卡内基梅隆大学的 HERB [24] 、库卡(KUKA) 机器人有限公司的 LBR iiwa [25] ) ，这种处理方式限制 例如，现有国内外人工智能开发环境 Tensorflow [26] 、 PyTorch [27] 、百度飞桨 [28] 等都以数据智能为目标，缺 乏对人机交互与人机协同从设备、算法库到测试环 境的广泛支持，严重制约着多机协同系统对日益复 杂应用场景的自适应能力。 人机互信下的人机群组智能在美国、欧盟、日本 等的人工智能发展新战略中均被设想为人工智能的 最终发展目标。美国科学院、工程院等机构于2022年 联 合发布的 《人机群组协同：现状与研究需求》 (Human-AI Teaming: State-of-the-Art and Research Needs [29] )明确指出，将人类和人工智能视为队友， 通过互动产生优于独立个体的绩效价值，包括适应 变化需求的能力及相互支持等能力，将对军事、工 业等多个领域产生深远影响。2020 年《美国机器人 发展路线图》 [30] 明确提出，机器人未来要像人一样…”