海科·哈曼（Heiko Hamann）是德国吕贝克大学服务机器人学教授。他的研究重点是群体机器人、群体智能和进化机器人。他正在开发创新的方法，利用物理、数学、化学和生物学等工具的新应用来管理机器人工程系统日益增加的复杂性。他在国际会议和国际期刊上发表了近百篇论文，是群体智能机器人和相关领域公认的资深研究人员。

本书介绍了群体智能机器人技术，讲解了从群体智能到机器人技术的原理、建模与应用，能够通过许多示例场景帮助研究者、从业者和师生了解如何设计大型机器人系统，这些示例场景涉及诸如聚合、协调运动、任务分配、自组装、集体构建和环境监测等领域。本书解释了构建多个简单机器人背后的方法，以及这些机器人之间的多重交互产生的复杂性，以便它们能够解决困难的任务。
本书适合机器人、人工智能领域的研究者、从业者和师生学习参考。

目录
原书前言
第1章　群体机器人技术导论
　　1.1　对群体机器人技术的初步探讨
　　　　1.1.1　什么是群体
　　　　1.1.2　群体有多大
　　　　1.1.3　什么是群体机器人技术
　　　　1.1.4　为何研究群体机器人技术
　　　　1.1.5　什么不是群体机器人技术
　　1.2　早期调查和见解
　　　　1.2.1　群体的性能
　　　　1.2.2　通信
　　　　1.2.3　两个层面: 微观和宏观
　　1.3　自组织、反馈和涌现
　　　　1.3.1　反馈
　　　　1.3.2　自组织系统实例
　　　　1.3.3　涌现
　　1.4　其他灵感来源
　　1.5　同构群体和异构群体
　　1.6　人类因素
　　1.7　硬件和软件的实现
　　　　1.7.1　任务和群体机器人项目示例
　　　　1.7.2　仿真模拟工具
　　　　1.7.3　未来应用
　　1.8　延伸阅读
　　1.9　任务
　　　　1.9.1　任务：计算机系统的扩展
　　　　1.9.2　任务：超线性加速
　　　　1.9.3　任务：群体的同步化
第2章　机器人技术简介
　　2.1　组成部件
　　　　2.1.1　身体和关节
　　　　2.1.2　自由度
　　　　2.1.3　执行器
　　　　2.1.4　驱动器
　　　　2.1.5　传感器
　　2.2　里程测量
　　　　2.2.1　非系统误差、系统误差和校准
　　　　2.2.2　地图绘制的艺术
　　　　2.2.3　拓展：蚂蚁回巢
　　2.3　运动学
　　　　2.3.1　正向运动学
　　　　2.3.2　逆向运动学
　　2.4　控制
　　　　2.4.1　轨迹误差补偿
　　　　2.4.2　群体机器人的控制器
　　2.5　群体机器人的硬件
　　　　2.5.1　s-bot
　　　　2.5.2　I-SWARM
　　　　2.5.3 “爱丽丝” 机器人
　　　　2.5.4　Kilobot
　　　　2.5.5　其他群体机器人
　　2.6　延伸阅读
　　2.7　任务
　　　　2.7.1　任务：差分转向运动学
　　　　2.7.2　任务：势场控制
　　　　2.7.3　任务：单个机器人的行为
第3章　快速了解几乎一切
　　3.1　作为机器人控制器的有限状态机
　　3.2　基于机器人机器人交互的状态转换
　　3.3　早期的微观宏观问题
　　3.4　最小示例：集体决策
　　3.5　宏观视角
　　3.6　预期的宏观动态和反馈
　　3.7　延伸阅读
　　3.8　任务
　　　　3.8.1　任务：绘制宏观动态系统行为图
　　　　3.8.2　任务：模拟集体决策
第4章　群体机器人技术的应用场景
　　4.1　聚集和聚类
　　4.2　分散
　　4.3　斑图形成、对象聚类、分类和自组装
　　　　4.3.1　斑图形成
　　　　4.3.2　聚类
　　　　4.3.3　分类
　　　　4.3.4　自组装
　　4.4　集体建设
　　4.5　集体运输
　　4.6　集体操纵
　　4.7　成群行动和集体运动
　　4.8　觅食
　　4.9　分工和任务：任务划分/分配/切换
　　4.10　放牧
　　4.11　异构群体
　　4.12　混合社会和生物混合系统
　　4.13　群体机器人技术2.0
　　　　4.13.1　错误检测和安全性
　　　　4.13.2　连接机器人和作为界面的机器人
　　　　4.13.3　作为野外机器人技术的群体机器人技术
　　4.14　延伸阅读
　　4.15　任务
　　　　4.15.1　任务：机器人群体的行为
第5章　群体系统建模及形式化的设计方法
　　5.1　建模简介
　　　　5.1.1　什么是建模
　　　　5.1.2　在群体机器人技术中为什么需要模型
　　5.2　局部取样
　　　　5.2.1　统计学中的取样
　　　　5.2.2　群体的取样
　　5.3　建模方法
　　　　5.3.1　速率方程
　　　　5.3.2　空间方法的微分方程
　　　　5.3.3　网络模型
　　　　5.3.4　网络科学和自适应网络
　　　　5.3.5　作为生物模型的群体机器人
　　5.4　形式化的设计方法
　　　　5.4.1　算法设计的多尺度建模
　　　　5.4.2　自动设计、学习和人工演进
　　　　5.4.3　软件工程和验证
　　　　5.4.4　形式化的全局到局部编程
　　5.5　延伸阅读
　　5.6　任务
　　　　5.6.1　任务：超越二元决策
　　　　5.6.2　任务：蒲丰投针
　　　　5.6.3　任务：群体的局部取样
　　　　5.6.4　任务：降维和建模
　　　　5.6.5　任务：速率方程
　　　　5.6.6　任务：自适应网络
第6章　集体决策
　　6.1　决策
　　6.2　群体决策
　　6.3　动物的群体决策
　　6.4　作为决策过程的集合运动
　　6.5　集体决策过程的模型
　　　　6.5.1　瓮模型
　　　　6.5.2　投票模型
　　　　6.5.3　多数规则
　　　　6.5.4　Hegselmann-Krause
　　　　6.5.5　Kuramoto模型
　　　　6.5.6　Axelrod模型
　　　　6.5.7　伊辛模型
　　　　6.5.8　纤维束模型
　　　　6.5.9　Sznajd模型
　　　　6.5.10　巴斯扩散模型
　　　　6.5.11　社会物理学和逆向思维者
　　6.6　实施
　　　　6.6.1　100个机器人的决定
　　　　6.6.2　集体感知作为决策
　　　　6.6.3　作为隐式决策的聚合
　　6.7　更多读物
　　6.8　任务
　　　　6.8.1　在规定地点聚合
　　　　6.8.2　用于蝗虫场景的瓮模型
第7章　案例研究：自适应聚集
　　7.1　用例
　　7.2　替代解决方案
　　　　7.2.1　临时性方法
　　　　7.2.2　梯度上升法
　　　　7.2.3　正反馈
　　7.3　生物学的启发：蜜蜂
　　7.4　模型
　　　　7.4.1　聚集建模：跨学科方案
　　　　7.4.2　空间模型
　　7.5　验证
　　7.6　简短总结
　　7.7　延伸阅读
尾声
参考文献