群體能在多大程度上被外部控制？
當大量個體聚集並共同運動時，整體行為是如何決定的？而對於這樣的群體，是否能僅透過少量的外部介入，就將整體引導至預期的方向呢？
Shepherding（牧群控制）研究正是從這個問題出發。本研究探討的是：利用配置在群體外部的少數控制代理，來引導由大量代理所構成的群體。其關鍵在於，並不直接控制群體內部的個體，而是透過控制代理自身的位置與運動，間接影響整個群體的行為。
乍看之下，這樣的設定似乎直觀且簡單。然而實際上，個體的運動具有非線性特性，且可用資訊十分有限，使得群體整體行為難以預測。這種「簡單個體」與「複雜集體」之間的落差，正是本研究的核心關注點。
Shepherding 被視為分析這一落差的模型問題。即使群體中個體數量增加，控制代理的數量仍維持在極少的水準。在這樣的條件下，釐清哪些控制策略是有效的，以及哪些資訊在本質上是不可或缺的，便成為本研究的目標。
這一問題設定與資訊科學中的分散式演算法、多代理控制以及非線性系統分析密切相關。透過 Shepherding 研究，我們希望揭示在資訊受限情況下仍然成立的群體控制演算法設計原理。
Shepherding 問題的數學模型
在 Shepherding 問題中，我們明確區分構成群體的大量代理，以及從外部引導群體的少數控制代理。群體側的代理基於與鄰近代理之間的互動來運動，並不直接知曉事先給定的目標位置。
相對地，控制代理（牧羊者）知道目標位置，並透過自身移動對群體施加斥力性的影響。在此情況下，牧羊者無法逐一控制群體內的個體，而只能透過位置與運動的選擇，間接作用於整個群體。
群體中每個代理的運動通常以所謂的 Boid 模型來描述。也就是說，根據與鄰近個體的距離與相對位置，結合引力、斥力與對齊等要素，來決定移動方向。透過這些局部互動的累積，群體層級上會出現凝聚或分裂等集體行為。
Shepherding 問題的困難之處，在於必須在這樣的局部互動結構之上，再疊加外部介入。雖然牧羊者的動作僅直接影響部分個體，但其影響會經由群體內部的互動逐步傳播，最終改變整體行為。
本研究從數學角度探討，對於具有上述結構的系統，應觀測哪些狀態量，以及如何設計控制輸入，才能將整個群體引導至目標區域。Shepherding 問題因此可被視為一個同時包含資訊限制與非線性特性的多代理系統控制演算法設計問題。
本研究室的 Shepherding 研究方向
本研究室以 Shepherding 問題為研究素材，致力於設計與解析在資訊受限條件下可行的群體控制演算法。特別重視在逐步移除理想化假設時，哪些控制策略仍然能夠成立。
包含異質性的群體 Shepherding
許多既有研究假設群體中所有個體對控制輸入的反應方式相同。然而在現實情況中，部分個體不對控制輸入產生反應，或呈現不同的行為，並不少見。
本研究室研究即使在反應個體與不反應個體混在的異質群體中，仍能引導整體群體的 Shepherding 演算法。透過利用個體之間的互動結構，我們顯示即使包含無法直接控制的個體，也能實現整體群體的誘導。
無通訊的多牧羊者協同控制
在使用多個牧羊者時，許多方法都假設牧羊者之間可以進行通訊。然而，從成本與可靠性的角度來看，通訊並非總是可行。
本研究室提出在不假設牧羊者之間通訊的情況下，僅依賴局部觀測資訊即可實現協同 Shepherding 的方法。這在分散式演算法設計與資訊受限控制的觀點下，是一項重要的資訊科學課題。
受限感測資訊下的群體控制
許多 Shepherding 演算法假設牧羊者可以準確量測與群體之間的距離與位置。然而在實際感測環境中，往往無法取得距離資訊，而只能使用方向（bearing）資訊。
本研究室研究僅利用方向資訊、而不依賴距離量測的 Shepherding 方法，並顯示即使在如此極度受限的資訊環境下，仍能透過適當的控制策略實現群體控制。
透過 Shepherding 研究所培養的能力
Shepherding 研究並非僅以特定應用為目的。本研究室重視以 Shepherding 為題材，培養資訊科學中的基礎思維與方法。
「運用數學模型思考」的能力
在 Shepherding 中，群體與控制代理的行為會以數學模型來描述。重點不在於建模本身，而在於思考應該採用哪些假設、在哪裡進行簡化，以及保留哪些本質要素。
透過這一過程，可以培養整理複雜現象並將其轉化為可數學處理形式的能力。這是控制、最佳化與機器學習等資訊科學領域共通的重要基礎能力。
演算法的設計與驗證能力
本研究室的 Shepherding 研究將控制策略設計為演算法，並透過模擬驗證其行為。
- 使用哪些資訊
- 依循什麼樣的規則行動
- 在什麼條件下能成功，在哪些情況下會失效
這些問題需要透過反覆嘗試自行釐清，從而同時培養演算法設計能力與驗證能力。
以資訊限制為前提的思考方式
Shepherding 研究刻意不採用「所有資訊皆可使用」的假設，而是明確處理無法通訊、無法量測距離、部分個體不反應等限制。
在這樣的限制條件下解決問題的經驗，有助於培養面對實際系統與真實資料時，能以資訊不完全為前提進行思考的能力。
與資訊科學多領域的連結
以 Shepherding 為題材的研究，自然地與多代理系統、分散式演算法、非線性控制與最佳化等多個資訊科學領域相連。
因此，學生在研究過程中，可以依自身興趣逐步向理論導向、演算法導向或模擬導向拓展。對於希望培養廣泛資訊科學基礎能力的學生而言，這是一個合適的研究主題。
可體驗 Shepherding 的遊戲開發
Shepherding 研究中所探討的控制原理與演算法，僅透過數學式與模擬往往不易直觀理解。因此，本研究室開發了一款可實際體驗 Shepherding 概念的遊戲。
在這款遊戲中，玩家扮演牧羊者角色，透過在群體外部調整位置與運動，嘗試將整個群體引導至目標區域。群體內部的個體無法被直接操作，與研究中所設定的 Shepherding 問題具有相同的限制。
透過遊戲，玩家可以直觀地理解：
- 站在什麼位置能更有效地推動群體
- 應在什麼時機介入
- 看似合理的操作為何會失敗
這些體驗在感覺層面上補充了論文與數學式所呈現的結果。
此外，該遊戲並非與研究內容分離，而是作為實作與可視化研究成果的平台。透過即時觀察控制策略改變後的行為差異，該遊戲也被用作往返於演算法設計與驗證之間的教育工具。
Shepherding 遊戲不僅提供「理解」研究內容的方式，也提供「實際嘗試與驗證」的機會，讓學習者能以體驗式的方式理解資訊科學中的演算法設計與驗證思維。