ENG: Researchers from the Harvard John A. Paulson School of Engineering and Applied Sciences, led by L. Mahadevan and Ph.D. student Lucy Liu, studied how groups of robots behave in crowded spaces. Their work focused on a common problem in swarm robotics, where adding more robots can first improve performance, then reduce efficiency when the space becomes too crowded. The goal of the study was to find how many robots can work efficiently in a limited area and how their movement can be adjusted to avoid traffic jams.
The team used mathematical modeling, computer simulations, and laboratory experiments with small wheeled robots. In the simulations, many agents started from random positions and received random destinations. After reaching one goal, each agent was immediately assigned another one, which reproduced continuous task execution. The researchers then changed the amount of randomness in the movement of each agent. With no randomness, the agents moved in straight lines. With high randomness, they followed irregular paths. This allowed the team to compare how different levels of movement noise affected congestion and task completion.
The results showed that straight movement often caused dense traffic jams, while excessive randomness reduced efficiency because robots wandered too much. The best performance appeared at a moderate level of randomness, where robots could still move toward their goals while having enough flexibility to pass around one another. The same pattern was confirmed in real-world experiments using wheeled robots tracked by an overhead camera system. The study suggests that simple local movement rules and a controlled amount of disorder can help robot swarms complete tasks more efficiently in crowded environments.
RO: Cercetătorii de la Harvard John A. Paulson School of Engineering and Applied Sciences, coordonați de L. Mahadevan și de doctoranda Lucy Liu, au studiat modul în care grupurile de roboți se comportă în spații aglomerate. Cercetarea pornește de la o problemă frecventă în robotica de tip roi: atunci când sunt adăugați mai mulți roboți într-un spațiu limitat, activitatea devine inițial mai rapidă, dar după un anumit punct eficiența scade. Roboții ajung să se blocheze unii pe alții, iar sarcinile sunt realizate mai lent. Scopul studiului a fost să stabilească în ce condiții un grup de roboți poate lucra eficient într-un spațiu restrâns și cum poate fi ajustată mișcarea lor pentru a evita blocajele.
Echipa a folosit modele matematice, simulări pe calculator și experimente de laborator cu roboți mici, pe roți. În simulări, agenții porneau din poziții aleatorii și primeau destinații diferite. După ce un agent ajungea la destinație, i se atribuia imediat o nouă țintă, imitând astfel o activitate continuă. Cercetătorii au modificat apoi gradul de aleatoriu din mișcarea fiecărui agent. Fără acest element aleatoriu, agenții se deplasau în linie dreaptă către destinație. Când nivelul de aleatoriu era ridicat, traiectoriile deveneau neregulate. Astfel, echipa a putut compara modul în care diferite niveluri de „zgomot” în mișcare influențează aglomerația și ritmul de finalizare a sarcinilor.
Rezultatele au arătat că deplasarea strictă în linie dreaptă duce adesea la blocaje dense, în timp ce prea multă mișcare aleatorie reduce eficiența, deoarece roboții pierd timp pe trasee inutile. Cea mai bună performanță a fost obținută la un nivel moderat de aleatoriu, când roboții continuau să se îndrepte spre țintă, dar aveau suficientă flexibilitate pentru a se evita între ei. Același comportament a fost observat și în experimentele reale, realizate cu roboți pe roți urmăriți de un sistem de camere montate deasupra spațiului de testare. Studiul sugerează că, în spațiile aglomerate, roiurile de roboți pot deveni mai eficiente prin reguli simple de mișcare și printr-o doză controlată de dezordine.
Source (SciTechDaily, “The Surprising Fix for Robot Traffic Jams”, 19.06.2026)
Paper: Liu, L., Werfel, J., Toschi, F. and Mahadevan, L., 2026. Noise-enabled goal attainment in crowded collectives. Proceedings of the National Academy of Sciences, 123(7), p.e2519032123.
