Aerial Robots Persistent Monitoring and Target Detection: Deployment and Assessment in the Field
本文提出了一种基于时间倒置库克模型、三维利萨如曲线和模型预测控制的多机器人持续监控与目标检测算法，并通过实地实验验证了其有效性、健壮性和可扩展性。
2026-01-12 cs.RO
Cross domain Persistent Monitoring for Hybrid Aerial Underwater Vehicles
本文提出利用深度强化学习和迁移学习实现混合空水车辆的跨域持续监控，展示统一策略在不同环境中的可行性。
2026-02-23 cs.RO
RaccoonBot: An Autonomous Wire-Traversing Solar-Tracking Robot for Persistent Environmental Monitoring
University of California, Irvine（加利福尼亚大学欧文分校）
本文提出RaccoonBot，一种自主巡线太阳能跟踪机器人，通过自锁机械设计和太阳能跟踪算法实现持续环境监测中的能量自主，实验验证其能应对电线扰动与倾斜。
2025-01-24 cs.RO
Spatio-Temporal Attention Network for Persistent Monitoring of Multiple Mobile Targets
National University of Singapore（新加坡国立大学）
这项工作的重点是持续监测问题，其中一组目标移动的基础上一个未知的模型，必须由一个自主移动机器人与有限的传感范围进行监测。为了保持每个目标的位置估计尽可能准确，机器人需要自适应地规划其路径以（重新）访问所有目标，并根据沿途收集的测量值更新其信念。在这样做时，主要的挑战是在剥削，即，重新访问先前定位的目标和勘探，即，寻找新的目标或重新获得失去的目标。受深度强化学习最新进展的鼓舞，我们引入了一种基于注意力的神经解决方案来解决持续监控问题，其中智能体可以学习目标之间的相互依赖关系，即，它们的空间和时间相关性，以过去的测量为条件。这赋予代理的能力，以确定哪个目标，时间和位置参加跨多个尺度，我们也表明，这有助于放松通常的限制，一个有限的目标集。我们的实验表明，我们的方法优于其他基线的目标访问次数和复杂环境中的平均估计误差。最后，我们实现和验证我们的模型在一个基于无人机的仿真实验，以监测移动地面目标在高保真模拟器。
2023-03-11 cs.RO
Multi-Agent Deep Reinforcement Learning For Persistent Monitoring With Sensing, Communication, and Localization Constraints
IISER Bhopal（印度科学教育与研究学院博帕尔分院）；University of Maryland, College Park（马里兰大学帕克分校）
针对无GPS环境下多机器人持续监测问题，提出基于图卷积的多智能体深度强化学习架构GALOPP，融合感知、通信与定位约束，实验验证其优于非强化学习基线。
2023-05-14 cs.RO
Spatio-Temporal Metric-Semantic Mapping for Persistent Orchard Monitoring: Method and Dataset
GRASP Laboratory, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）；Department of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学）；Department of Mechanical Engineering, University of California, Merced（机械工程系，加州大学默塞德分校）
本文提出一种融合LiDAR-RGB与4D果实关联的时空度量语义建图系统，用于果园果实生长监测，在真实数据上实现96.9%计数准确率和1.1厘米尺寸误差，并公开多模态数据集。
2025-05-06 cs.RO
Persistent Monitoring of Events with Stochastic Arrivals at Multiple Stations
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了一种新的移动传感器调度问题，涉及一个单一的机器人负责监测几个感兴趣的事件发生在不同的位置。特别令人感兴趣的是监测不容易预测的瞬态事件。应用领域从自然现象（例如{ \em}，使用地面机器人监视火山周围的异常地震活动）到城市活动（{ \em例如}，使用空中机器人监测交通拥堵的早期形成）。出于这些和许多其他的例子，本文重点讨论的问题，其中事件的精确发生时间是未知的{ \em先验}，但他们的到达时间间隔的统计数据是可用的。机器人的任务是监视事件以优化以下两个目标：{ \em（i）}最大化观察到的事件数量和{ \em（ii）}最小化在同一位置发生的事件的两个连续观察之间的延迟。本文考虑的情况下，机器人的任务是优化事件的观察，在一个平衡的方式，循环巡逻路线。首先，假设循环排序的车站是已知的，我们证明了最优解的存在性和唯一性，并表明最优解具有良好的收敛性和鲁棒性。我们的建设性的证明也产生了一个有效的算法计算唯一的最优解与$O(n)$时间复杂度，其中$n$是站的数量，与$O(\log n)$时间复杂度递增地添加或删除站。除了算法之外，当循环阶数未知时，大多数分析仍然有效。然后，我们提供了一个多项式时间的近似方案，给出了一个$(1+ε)$最优的解决方案，这个更一般的，NP难的问题。
2014-09-14 cs.RO
Monitoring autonomous persistent surveillance missions using invariance
Department of Electrical and Computer Engineering, University of the Bundeswehr Munich（德国联邦国防军 Munich 电子与计算机工程系）
本文研究了自主机器人在自主栈为黑盒时的运行时监控问题，通过将环境划分为有限区域并设计基于不变量的监控器，提出了一种分布式计算低维不变量集的方法，实现了对完整系统不变量的正确性和完备性。
2026-05-07 cs.RO cs.SY eess.SY
Docking and Persistent Operations for a Resident Underwater Vehicle
Applied Underwater Robotics Lab（应用水下机器人实验室）；NTNU（挪威特纳赫大学）
本文提出了一种驻留水下车辆系统，通过水下机器人自主导航和对接，实现了持久无人操作，验证了水声与视觉导航在真实环境中的可行性。
2026-05-08 cs.RO
COMPASS: Cooperative Multi-Agent Persistent Monitoring using Spatio-Temporal Attention Network
Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（机械工程系，设计与工程学院，新加坡国立大学）
提出 MARL 框架 COMPASS，结合图建模、时空注意力与高斯过程，实现去中心化多智能体对动态目标的高效持续监测，并在多项指标上优于基线。
2025-10-20 cs.MA cs.RO
An Optimal Control Approach for the Persistent Monitoring Problem
Boston University（波士顿大学）
提出一种最优控制框架，通过控制移动代理的运动来最小化任务空间中的不确定性度量，并利用无穷小扰动分析将问题简化为参数优化。
2011-10-05 cs.RO cs.SY eess.SY
Bounds on Optimal Revisit Times in Persistent Monitoring Missions with a Distinct \& Remote Service Station
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Texas A&M University（德州农工大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Infoscitex corporation（Infoscitex公司）；Air Force Research Laboratory（美国空军研究实验室）
持续的监测任务需要对基本环境不断变化的状况有最新的了解。无人机可以被有益地用于连续访问环境中代表任务（和位置）的一组目标，并在其中长时间收集数据。这些任务的持久性要求无人机在服务站定期充电。在本文中，我们考虑的情况下，服务站是不共处的任何目标。有效的监测要求尽量缩短重访时间，重访时间的定义是连续重访目标之间的最长时间。在这里，我们考虑的问题，确定无人机路线，导致最小的重访时间。该问题是NP难的，其计算难度随着无人机的燃料容量而增加。我们开发了一种算法，以快速构建接近最优的解决方案的问题，当燃料容量超过阈值。我们还开发了最佳重访时间的下限，并使用这些界限来证明（通过数值模拟），构造的解决方案是，平均而言，最多0.01%远离最佳。
2021-05-21 cs.RO math.OC
An Information-Theoretic Approach to Persistent Environment Monitoring Through Low Rank Model Based Planning and Prediction
Cornell University（康奈尔大学）
机器人可用于在人类难以穿越的地区收集环境数据。然而，限制仍然存在于区域的大小，机器人可以直接观察每单位时间。我们介绍了一种方法，选择有限数量的观察点在一个大的区域，我们可以预测的状态，在该地区的未观测点。我们结合了一个低秩模型的目标属性与信息最大化的路径规划，以预测整个区域的属性的状态。我们的方法是不可知的目标属性和机器人监控平台的选择。我们在两个真实环境数据集上模拟评估了我们的方法，每个数据集都包含来自一百万到两百万个可能的采样位置的观测结果。我们比较了一个随机采样器和四个变化的基线采样器从生态学文献。我们的方法优于基线方面的平均Fisher信息增益每个样本，并在大多数试验中进行平均重建误差。
2020-09-02 cs.AI cs.RO
Persistent Monitoring of Dynamically Changing Environments Using an Unmanned Vehicle
Texas A&M University（德克萨斯农工大学）；Wright-Patterson A.F.B.（赖特-帕特森空军基地）
我们考虑的问题，规划一个封闭的步行$\mathcal W$的无人机持续监测有限数量的固定目标具有相同的优先级和动态变化的属性。无人机必须实际访问目标，以便监视它们并收集其中的信息。监测任何给定目标的频率由目标重访时间$i.e.$指定，$i.e.$是对目标的任何两次连续访问之间的最大允许时间。在本文中考虑的问题是：给定$n$目标和$k \geq n$允许访问他们，找到一个最佳的封闭行走$\mathcal W^*(k)$，使每个目标至少访问一次，并在所有的目标，$\mathcal R(\mathcal W(k))$，最大重访时间最小化。我们证明如下：如果$k \geq n^2-n$，则$\mathcal R(\mathcal W^*(k))$（或简称为$\mathcal R^*(k)$）仅取两个值：当$k$是$n$的整数倍时为$\mathcal R^*(n)$，否则为$\mathcal R^*(n+1)$。该结果表明显著的计算节省-仅需要确定$\mathcal W^*(n)$和$\mathcal W^*(n+1)$来构造最优解$\mathcal W^*(k)$。我们提供了计算$\mathcal W^*(n)$和$\mathcal W^*(n+1)$的MILP公式。此外，对于{ \it any}给定$k$，我们证明了$\mathcal R^*(k) \geq \mathcal R^*(k…
2019-06-03 cs.DS cs.RO
Persistent Robotic Tasks: Monitoring and Sweeping in Changing Environments
Massachusetts Institute of Technology（麻省理工学院）；University of Pennsylvania（宾夕法尼亚大学）
我们提出的控制器，使移动机器人持续监测或扫描不断变化的环境。变化的环境被建模为在机器人范围之外的位置中增长并且在机器人范围之内的位置中减小的场。我们假设机器人在给定的封闭路径上行驶。控制每个机器人沿其路径的速度，以防止场在任何位置无限增长。我们考虑的速度控制器，可以参数化的一组有限的基函数的空间。对于一个机器人，我们开发了一个线性规划，保证计算速度控制器在这个空间中，以保持字段有界，如果这样的控制器存在。然后导出另一个线性规划，其解是使环境上的最大场值最小化的速度控制器。我们扩展我们的线性规划制定开发一个多机器人控制器，保持领域有界。多机器人控制器的独特之处在于它不需要机器人之间的通信。仿真研究证明了控制器对建模误差和环境随机性的鲁棒性。
2011-02-03 cs.RO math.OC
A sub-modular receding horizon solution for mobile multi-agent persistent monitoring
我们研究了一组异构移动代理的持续监测有限数量的互联地理节点的问题。我们为每个地理节点分配一个凹的和增加的奖励函数，在代理访问后重置为零。然后，我们设计的最优调度策略，哪些节点在什么时间访问，由什么代理，找到一个政策集，最大化的效用，被定义为在访问时间收集的总奖励。我们发现，这个优化问题是NP-难的，其计算复杂性的代理的数量和任务地平线的长度呈指数增长。通过证明效用函数是代理策略的单调递增和次模集函数，我们进而提出了一个具有已知最优性间隙的次优调度策略设计。为了降低构建可行搜索集的时间复杂度，并诱导鲁棒性的操作因素的变化，我们进行我们的次优策略设计在一个滚动的地平线时尚。然后，为了补偿的短视的后退地平线的方法超出了可行的政策的代理人在后退地平线上的奖励分配，我们添加了一个新的术语，我们的效用，它提供了一个衡量节点的重要性超出了后退地平线的视线。这个术语为策略设计提供了一种直觉，可以将代理引导到巡逻图上具有更高奖励的节点。最后，我们讨论了如何我们提出的算法可以实现在一个分散的方式。仿真研究证明了我们的结果。
2020-10-21 cs.MA cs.RO
Multi-Agent Reinforcement Learning for Visibility-based Persistent Monitoring
University of Maryland, College Park（马里兰大学帕克分校）
基于可见性的持续监控（VPM）问题旨在为机器人找到一组轨迹（或控制器），以持续监控不断变化的环境。每个机器人都有一个传感器，如摄像头，其视野有限，会被环境中的障碍物阻挡。机器人可能需要相互协调，以确保环境中的任何一点都不会长时间处于不受监控的状态。我们对问题进行建模，使得如果一个点未被监控，则每个时间步都会产生一个惩罚。然而，我们不知道惩罚的动态。我们提出了一种用于VPM问题的多智能体强化学习（MARL）算法。具体来说，我们提出了一个多代理图形注意力近端策略优化（MA-G-PPO）算法，作为输入的所有代理的本地观察结合一个低分辨率的全球地图，学习每个代理的政策。图形注意力允许代理与其他人共享他们的信息，从而产生有效的联合策略。我们的主要重点是了解MARL对VPM问题的有效性。我们调查了五个研究问题，这个更广泛的目标。我们发现，MA-G-PPO是能够学习一个更好的政策比非RL基线在大多数情况下，有效性取决于代理共享信息与对方，和政策学习显示紧急行为的代理。
2021-10-07 cs.AI cs.LG cs.RO
Minimizing Worst-Case Weighted Latency for Multi-Robot Persistent Monitoring: Theory and RL-Based Solutions
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（自动化与智能感知学院，上海交通大学，上海，中国）；Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai, China（系统控制与信息处理重点实验室，中华人民共和国教育部，上海，中国）
本文研究多机器人在加权图上的持续监控问题，提出尾性能目标以改进传统最坏情况延迟评估，并基于强化学习构建TWLO-MDP模型，通过实验验证方法在合成和现实场景中的有效性。
2026-07-14 cs.RO cs.SY eess.SY
Persistent Covering of a Graph under Latency and Energy Constraints
大多数消费级低成本无人机（UAV）的电池电量有限，充电时间长。由于这些能源限制，它们无法完成许多实际任务，例如数小时监视体育或政治事件。在文献中，提供服务以覆盖一个区域很长一段时间的问题被称为持续覆盖。在过去，研究人员提出了各种硬件平台，如电池交换机制，以提供持久的覆盖。然而，由于问题的计算复杂性和棘手性，算法方法受到限制。近似算法已被认为是将大区域分割成较小的单元，这些较小的单元需要在延迟约束下定期访问。然而，这些方法假设无限的能量。在本文中，我们探讨的几何和拓扑性质，使我们能够显着减少优化问题的大小。因此，所提出的方法可以有效地确定所需的最小数量的无人机和调度他们的路线，以持续覆盖一个区域。实验结果表明，该算法具有更好的性能比基线方法。
2021-01-25 cs.RO
Persistent Monitoring of Stochastic Spatio-temporal Phenomena with a Small Team of Robots
University of Southern California（南加州大学）
本文提出了一种解决方案，持续监测现实世界的随机现象，其中的基础协方差结构随时间急剧变化，使用少量的移动机器人传感器。我们提出了一个自适应的解决方案，随机现实世界的动态建模为高斯过程（GP）的问题。对基础协方差结构的信念是从最近观察到的动态中学习的，作为GP的低维超参数空间中的高斯混合（GM），并使用顺序蒙特卡罗方法在时间上进行调整。每个机器人从GM中采样一个置信点，并通过子模块熵函数的贪婪最大化来局部优化一组信息区域。本文的主要贡献有三个方面：采用马尔可夫链蒙特卡罗（MCMC）采样的协方差的信念，使粒子生存，即使在急剧的协方差变化随时间的推移;利用信念转换到一个分散的熵最大化的问题;和开发一个近似算法，以最大限度地提高连续空间中的一组信息区域的熵。我们通过使用人工数据集和来自固定传感器部署的多个真实数据集的广泛模拟来说明所提出的解决方案的应用，并将其与三种竞争最先进的方法进行比较。
2018-04-27 cs.AI cs.LG cs.RO
Free-Space Ellipsoid Graphs for Multi-Agent Target Monitoring
Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）
我们应用一种新的框架分解和推理的自由空间环境中的多智能体持续监测问题。我们的分解方法将自由空间表示为与加权连通图相关联的椭球体的集合。在高级规划期间用于推理连接性和距离的相同椭圆体可以用作模型预测控制算法中的状态约束以强制无碰撞运动。这种结构允许在2D和3D环境中的分布式多智能体任务中简化实现。我们说明了它的有效性，一个团队的跟踪代理人负责监测一组目标代理。我们的算法使用椭球体分解作为原始的协调，路径规划和控制的跟踪代理。仿真实验表明，该算法在多障碍环境下对15个动态目标的跟踪性能良好。
2022-05-31 cs.RO
Algorithms for Visibility-Based Monitoring with Robot Teams
Virginia Tech（弗吉尼亚理工大学）；University of Pennsylvania（宾夕法尼亚大学）
我们研究的问题，规划路径的机器人视觉监控环境的团队。我们的工作是由监视和持续监控应用程序驱动的。我们给出了一组目标点在多边形的环境中，必须使用机器人与摄像机进行监控。目标是计算所有机器人的路径，使每个目标至少从一条路径可见。在其一般形式中，这个问题是NP-难的，因为它推广了画廊问题和守望者路线问题。我们研究两个版本：（i）几何版本在\emph{street polygons}，我们给一个多项式时间$4$ -近似算法;及（ii）一般版本，我们提出了一个实际的解决方案，找到最佳的解决方案，在可能的指数时间。除了理论证明，我们还提出了模拟研究的结果。
2016-12-10 cs.RO
Failure-Resilient Coverage Maximization with Multiple Robots
University of Maryland College Park（马里兰大学帕克分校）
使用多个机器人最大化覆盖范围的任务有几个应用，如监视，探索和环境监测。在实际场景中部署这种多机器人系统的主要挑战是确保对机器人故障的弹性。最近的一项工作介绍了弹性覆盖最大化（RCM）问题，其目标是最大限度地提高子模块覆盖效用时，机器人受到对抗攻击或失败。RCM问题是一个NP难问题。本文提出了两种求解RCM问题的近似算法，即有序贪婪算法（OrG）和局部搜索算法（LS）。这两种算法在准确性和运行时间方面都优于最先进的解决方案。为了证明我们提出的解决方案的有效性，我们经验比较我们提出的算法与现有的解决方案和蛮力最优算法。我们还进行了持续监测问题的案例研究，以显示我们提出的算法在实际环境中的适用性。
2021-03-04 cs.RO
Informative Planning and Online Learning with Sparse Gaussian Processes
University of Southern California（南加州大学）
环境监测的一大挑战是要观察的现象的时空变化。为了在这样的设置中实现持续感测和估计，具有时变的底层环境模型是有益的。在这里，我们提出了一种规划和学习方法，使自主海洋车辆执行持久的海洋监测任务，通过学习和完善的环境模型。为了缓解大规模数据积累所造成的计算瓶颈，我们提出了一个框架，该框架在旨在收集信息最丰富的数据的规划组件和稀疏高斯过程学习组件之间进行迭代，其中环境模型和超参数通过利用仅提供最大贡献的数据子集在线学习。我们的模拟与地面实况海洋数据表明，该方法是准确和有效的。
2016-09-24 cs.AI cs.LG cs.RO
Monitoring Over the Long Term: Intermittent Deployment and Sensing Strategies for Multi-Robot Teams
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在本文中，我们制定和解决间歇性的部署问题，产生的战略，夫妇\emph{when}异构机器人应该感觉到一个环境的过程中，与部署的团队应该在环境中的感觉。作为一种动机，假设时空过程正在缓慢演变，并且必须由多机器人团队监控，例如，无人驾驶飞行器监测精准农业背景下的牧场。在这种情况下，间歇性部署战略是必要的，因为持续部署或监测对于缓慢演变的进程来说不具有成本效益。与此同时，一旦部署，在哪里感测的问题必须得到解决，因为过程观察产生有用的反馈，以确定有效的未来部署和监测决策。在这种情况下，我们的环境过程进行监测的时空高斯过程与互信息作为衡量我们对环境的理解的标准。为了使传感资源有效，我们演示了如何使用拟阵约束施加一组不同的同质和异构的约束。此外，为了反映现实世界的应用程序的成本敏感性，我们应用部署异构机器人团队的成本预算。为了解决这个问题，我们利用次模优化和拟阵的理论，并提出了一个贪心算法的次优界。最后通过蒙特卡罗仿真验证了该方法的正确性。
2021-11-17 cs.DS cs.MA cs.RO
