已经有很多方法可以实现这种分布式协调。我在这里介绍其中之一，因为它的通用性和简单性（这也很容易记住）。但首先，这些方法背后的总体思想非常有趣，围绕着一种称为stigmergy的机制。

Stigmergy是一种由环境介导的行为协调机制。它最初是针对白蚁进行描述的，最著名的例子与蚂蚁有关。蚂蚁外出觅食时会形成足迹，但它们通常不直接互动。事实证明，当他们离开山丘时，他们会在地上留下信息素。信息素可以让他们找到回家的路，也可以引导他们去哪里：如果他们从同龄人那里找到信息素踪迹，他们就会跟随它，自己的信息素加起来，加强了踪迹的信号。在舞台上，越来越多的蚂蚁“一起移动”，形成一条小路。已经实现了协调。

在源自 stigmergy 的各种实现中，有“基于场的运动协调模型”（FBMCM）。这个想法是创建一个（可能是虚拟的）环境来维护世界的一些状态。每个对象在环境中记录一个信号，该信号在对象位置（其边缘）处最大，然后随着距离而减小。移动的物体（例如机器人）每个都会发出一个由环境中继的信号。然后他们可以感知对方的场并采取相应的行动：例如，当信号强时，离开；当虚弱时，靠近是安全的，等等。在软件模拟器（游戏中的排队，演习模拟）和机器人中已经展示了几个复杂的群体动作。这种方法的好处是计算即使是复杂的行为也很便宜。例如，避免冲突需要基于汇总附近字段值的简单“逻辑”代码。FBMCM 非常漂亮，用于视频游戏，但很难在物理环境中实现（对我来说约会知识），因为建立可靠的环境可能具有挑战性。例如，参见Mamei 和 Zambonelli的工作，以及Weyns 等人的机器人首批工业实现之一。. 请注意，机器人的实施需要对环境基础设施进行大量工作，由于它是受控仓库，因此变得更加可行。

类似 stigmergy 的模型的优势在于它们通常简单且有弹性：您可以在不影响觅食路径的情况下失去一只蚂蚁。不利的一面是，这些模型通常很慢，因为协调需要时间才能从间接交互中出现。这可以通过添加额外的直接交互来改进（例如，用 GPS 和杂货店地图授权蚂蚁，或者只是磁北感应）。

在实践中，如果环境实现不可靠，这些模型可能会崩溃。对于机器人或自动驾驶汽车来说，如果他们希望在路上安装一些转发器，这可能会很困难，因为这些设备的设置和维护成本很高，而且它们可能会被损坏或被盗。最好给机器人配备雷达、声纳或其他接近传感器来实现污名模型。一个相关的例子是特斯拉决定在其汽车上添加雷达，而不是假设道路上有可靠的转发器（注意：这只是一个平行线；没有官方关系）。

其他实现和相关模型是，例如，基于元组的协调语言（如Linda）和网络协议（如Chord）。如你所见，这些作品不一定属于“AI领域”。