Xuất phát từ hạn chế của các phương pháp trước (chỉ bẫy theo hình Euclid cố định, không xử lý phân tách/hợp nhất mục tiêu), bài báo sử dụng RBIF để mô tả hình bẫy bất kỳ qua ba tập điểm đặc trưng: điểm trong, điểm ngoài và điểm biên, được trích từ thông tin mục tiêu và vật cản cục bộ. Hàm ẩn này đóng vai trò “hình mẫu” đầu vào cho bộ điều khiển mạng điều hòa gene (GRN) điều khiển vị trí/vận tốc từng robot, kết hợp lực đẩy lân cận có hàm trọng số Gaussian để vừa tránh va chạm vừa giữ đều khoảng cách trên biên dạng cong.

Thuật toán bao gồm chiến lược tạo hình thích ứng: tính bao lồi của cụm mục tiêu trong tầm cảm biến, sinh điểm biên cách bao lồi một khoảng r, sinh điểm ngoài tại giao điểm với vòng an toàn, gán giá trị hàm ẩn (nội/ngoại/biên) để tính trọng số RBIF. Lý thuyết chỉ ra số điểm đặc trưng tối thiểu cần dùng = Nnt + 2Nch (Nnt: số mục tiêu, Nch: số đỉnh bao lồi).

Các kịch bản mô phỏng: (i) Bẫy tĩnh nhiều mục tiêu với phân bố khác nhau; (ii) Tách/hợp hình khi mục tiêu di chuyển phân tách và tụ lại; (iii) Tránh vật cản bằng “chiến lược tạo hình” giữ vật cản ngoài biên (hiệu quả trong hầm/cửa hẹp, hang); (iv) Tự tổ chức lại khi số robot thay đổi; (v) Phân tích ảnh hưởng nhiễu và tham số lực đẩy (tầm tác dụng d0, hệ số b) tới độ đều và sai số hội tụ. Kết quả cho thấy hình bẫy biến đổi linh hoạt, robot phân bố đều, sai số duy trì thấp cả trong môi trường động, có nhiễu và ràng buộc.