群体智能通过使分散的机器人或无人机群组能够自主协作来应用于搜索和救援 (SAR) 行动，模仿昆虫群等自然系统的集体行为。个体代理不依赖于中央控制器，而是遵循简单的规则来共享数据、适应动态环境并高效地覆盖大面积区域。例如，无人机群可以将灾区划分为若干区域，并行搜索，并将发现结果传递给人类团队。这种方法提高了可扩展性和弹性，因为即使某些代理发生故障或失去通信，系统也能继续运行。
具体应用包括区域探索、目标识别和资源协调。群体智能体使用蚁群优化 (ACO) 等算法来留下“数字信息素”——共享的标记，引导其他智能体前往高优先级区域，例如具有热信号或结构损坏的区域。粒子群优化 (PSO) 帮助无人机根据相邻智能体的运动和传感器数据实时调整飞行路径。在倒塌的建筑物场景中，地面机器人可能会形成通信网格以穿透碎石，而空中无人机则绘制逃生路线。这些系统通常结合异构智能体，例如用于空中勘测的无人飞行器 (UAV) 和用于更近距离检查的无人地面车辆 (UGV)，所有这些都通过 ROS 2 或 MQTT 等分散协议共享数据。
挑战包括确保在中断的环境（例如，地下或暴风雨期间）中进行可靠通信，平衡低功耗设备上的计算负载，以及避免算法瓶颈。开发人员必须设计轻量级的决策规则，以防止在时间敏感的场景中出现延迟。目前的研究重点是边缘计算，以在本地处理传感器数据，以及将人工监督与自主性相结合的混合群体。例如，NASA 的 Collaborative SubT 框架测试了洞穴救援模拟中的无人机群，使用 Wi-Fi 网状网络来维持连接。未来的改进可能涉及联邦学习，以改进跨任务的群体行为，或节能寻路以延长运行时间。这些进步旨在使 SAR 行动更快、更安全且资源消耗更少。