Towards Optimally Decentralized Multi-Robot Collision Avoidance via Deep Reinforcement Learning
Dorabot Inc.（达闼机器人有限公司）；Fuzhou University（福州大学）；City University of Hong Kong（香港城市大学）
在分散式场景中，每个机器人生成其路径而不观察其他机器人的状态和意图，为多个机器人开发安全有效的避碰策略具有挑战性。虽然存在其他分布式多机器人碰撞避免系统，但它们通常需要提取代理级特征来规划本地无碰撞动作，这可能在计算上是禁止的并且不鲁棒。更重要的是，在实践中，这些方法的性能远远低于其集中式的同行。我们提出了一个分散的传感器级碰撞避免多机器人系统，直接映射到代理的运动速度方面的转向命令的原始传感器测量政策。作为减少分散式和集中式方法之间的性能差距的第一步，我们提出了一个多场景多阶段的训练框架，以找到一个最佳的政策，这是训练了大量的机器人在丰富的，复杂的环境，同时使用基于策略梯度的强化学习算法。我们验证了学习的传感器级碰撞避免策略在各种模拟场景中进行彻底的性能评估，并表明最终的学习策略是能够找到时间效率高，无碰撞路径的大型机器人系统。我们还证明了学习的策略可以很好地推广到整个训练期间没有出现的新场景，包括导航一组异构机器人和一个有100个机器人的大规模场景。视频可在https://sites.google.com/view/drlmaca上获得
2018-05-20 cs.AI cs.LG cs.MA
Decentralized Motion Planning for Multi-Robot Navigation using Deep Reinforcement Learning
SRM Institute of Science and Technology（SRM科学技术学院）
这项工作提出了一个分散的运动规划框架，用于解决使用深度强化学习的多机器人导航任务。开发了一个自定义的仿真器，以实验研究4个合作的非完整机器人的导航问题，共享有限的状态信息，在3个不同的设置。采用了分散的运动规划的概念，共同和共享的策略学习，这使得强大的训练和测试这种方法在随机环境中，因为代理是相互独立的，并表现出异步运动行为。通过为智能体提供稀疏的观察空间并要求它们生成连续的动作命令，以有效而安全地导航到各自的目标位置，同时避免与其他动态对等体和静态障碍物发生碰撞，任务进一步加重。实验结果报告的定量措施和定性评论的培训和部署阶段。
2020-11-20 cs.AI cs.LG cs.MA
Decentralized Cooperative Planning for Automated Vehicles with Hierarchical Monte Carlo Tree Search
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
今天的自动驾驶汽车缺乏与他人进行隐性合作的能力。本文提出了一种基于蒙特卡罗树搜索（MCTS）的方法，用于异构环境中自动驾驶汽车的分布式协作规划。基于其他代理和解耦UCT（MCTS的一个变种）的合作建模，该算法评估的状态动作值的每个代理在一个合作和分散的方式，明确地建模交通参与者之间的相互依赖的行动。宏操作允许在多个时间步长上的时间扩展，并增加有效的搜索深度，需要更少的迭代来规划更长的视野。没有预定义的宏动作的策略，该算法同时学习宏动作上和宏动作内的策略。该方法在几种冲突场景下进行了评估，表明该算法可以在异构环境中实现有效的协同规划与学习的宏动作。
2018-07-25 cs.AI
Collision-Free Multi Robot Trajectory Optimization in Unknown Environments using Decentralized Trajectory Planning
SRM Institute of Science and Technology（SRM科学技术研究所）
多机器人系统具有广泛的应用前景。在大多数以前的工作中，多机器人系统的轨迹生成是在已知的环境中实现的。为了克服这个问题，我们提出了一种在线轨迹优化算法，该算法利用机器人当前状态的通信来解释其他机器人，同时使用基于本地对象的地图来识别障碍物。基于这些数据，我们预测机器人预计要穿越的轨迹，并利用它来避免碰撞，方法是制定机器人可以不与其他机器人和障碍物碰撞的自由空间区域。在Gazebo上使用ROS进行了仿真，验证了该方法的有效性。
2018-12-03 cs.MA cs.RO
DREAM: Decentralized Reinforcement Learning for Exploration and Efficient Energy Management in Multi-Robot Systems
Purdue University（普渡大学）
提出 DREAM 去中心化强化学习框架，结合作业范围估计、能耗模型与图神经网络优化多机器人探索和目标分配，在仿真中较基线提升约 25%。
2023-09-29 cs.AI cs.MA cs.RO
RADMPC: A Fast Decentralized Approach for Chance-Constrained Multi-Vehicle Path-Planning
Computer Science and Artificial Intelligence Laboratory（计算机科学与人工智能实验室）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于去中心化路径规划方法RADMPC的快速机会约束多车辆路径规划方法，通过评估车辆交互来确定需要耦合规划的车辆集，并利用IRA在较小的车辆集上快速规划安全路径，从而显著提高计算效率。
2018-11-25 cs.AI cs.MA cs.RO
Decentralized Lifelong Path Planning for Multiple Ackerman Car-Like Robots
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
针对连续域中非完整约束机器人的终身路径规划难题，将离散域SOTA多机器人规划关键思想扩展至多个Ackerman类车机器人，提出高性能集中式与去中心化规划器，实现精确SE(2)目标位姿轨迹规划并经仿真与实验验证。
2024-02-19 cs.RO
Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning
University of Virginia（弗吉尼亚大学）；University of California, Irvine（加州大学伊文斯顿分校）
提出一种基于约束感知扩散模型的去中心化框架SID，通过仿真邻居未来轨迹并利用安全约束规划自身轨迹，在密集场景下实现高效协调。
2026-05-26 cs.AI cs.LG cs.RO
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University（普渡大学计算机科学系）
提出基于神经Hamilton-Jacobi可达性学习的方法，学习安全值函数以捕获最坏情况下的臂间安全约束，并开发分散式轨迹优化框架，实现可扩展、数据高效的多臂运动规划。
2026-07-03 cs.RO
NeHMO: Neural Hamilton-Jacobi Reachability Learning for Decentralized Safe Multi-Arm Motion Planning
Department of Computer Science at Purdue University（普渡大学计算机科学系）
提出基于神经哈密顿-雅可比可达性学习的方法，学习安全值函数以捕获最坏情况下的臂间安全约束，并开发分散式轨迹优化框架，实现可扩展、数据高效且泛化能力强的实时多臂运动规划。
2026-07-02 cs.RO
Bin Assignment and Decentralized Path Planning for Multi-Robot Parcel Sorting
Rutgers, the State University of New Jersey（罗格斯，新泽西州立大学）
本文针对仓库多机器人包裹分拣问题，提出箱位分配与去中心化路径规划相结合的高吞吐量解决方案，在保证近最优路径效果的同时大幅降低计算时间。
2023-10-26 cs.RO
Decentralized iLQR for Cooperative Trajectory Planning of Connected Autonomous Vehicles via Dual Consensus ADMM
The Hong Kong University of Science and Technology（香港科技大学）
互联自主车辆（CAV）的协同轨迹规划的发展已经聚集了相当大的势头和研究关注。这类问题通常具有很强的非线性和非凸性，给求解带来很大困难。现有的方法通常遭受低的计算效率，这阻碍了适当的应用在大规模的场景中，涉及越来越多的车辆。为了解决这个问题，我们提出了一种新的分散迭代线性二次调节器（iLQR）算法，利用双共识交替方向乘法器（ADMM）。首先，通过迭代邻域逼近将原非凸优化问题转化为一系列凸优化问题。然后，每个凸优化问题的对偶被证明具有共识结构，这有利于使用共识ADMM在完全分散和并行架构中求解对偶解。最后，通过迭代求解线性二次型调节器（LQR）问题，得到各车辆轨迹对应的原始解，并提出一种新的轨迹更新策略，以保证车辆的动态可行性。随着所提出的发展，计算负担显着减轻，实时性能是可以实现的。两个交通场景来验证所提出的算法，我们提出的方法和基线方法（包括集中式iLQR，IPOPT，和SQP）进行彻底的比较，以证明所提出的方法的可扩展性。
2023-01-11 cs.MA cs.RO
Decentralized Planning Using Probabilistic Hyperproperties
Brno University of Technology（布拉格技术大学）
本文提出利用概率超属性和MDP进行去中心化规划，扩展了规划技术的规范能力，并建立了与特定Dec-MDPs规划的联系。
2025-02-19 cs.AI cs.LO
Continuous-Time Trajectory Optimization for Decentralized Multi-Robot Navigation
SRM Institute of Science and Technology（SRM科学技术学院）
多机器人系统已经开始渗透到各种不同的领域，但以分散方式进行无碰撞导航仍然是一项艰巨的任务。通常，高速多机器人系统的导航需要重新规划轨迹以避免彼此碰撞。提出了一种基于标记的多机器人场景下的轨迹优化在线重规划算法。通过机器人之间可靠的状态通信，每个机器人都可以为其他所有机器人预测一个平滑的连续时间轨迹。基于这些预测轨迹的知识，每个机器人然后为自己规划无碰撞轨迹。利用基于多项式的轨迹生成方法，将无碰撞轨迹优化问题转化为非线性规划问题。该算法进行了测试，在模拟凉亭与空中机器人。
2019-09-05 cs.RO
Decentralized Multi-Agent Planning for Multirotors: a Fully Online and Communication Latency Robust Approach
针对静态环境中的多旋翼协同，本文提出完全在线、去中心化且对通信延迟鲁棒的时间感知 Safe Corridor 与 MIQP/MPC 规划框架，仿真显示其在安全、鲁棒性、飞行和计算时间上优于现有方法。
2023-04-22 cs.MA cs.RO
Decentralized Coverage Path Planning with Reinforcement Learning and Dual Guidance
Shanghai Jiao Tong University（上海交通大学）
以分散的方式规划多机器人的覆盖路径，增强了覆盖任务处理不确定故障的鲁棒性。为了以分布式方式为每个机器人实现高效率，对复杂环境和合作代理意图的全面理解至关重要。不幸的是，现有的工作通常只考虑这些因素的一部分，导致不平衡的分区或不必要的重叠。为了解决这个问题，我们引入了一个分散的强化学习框架与双重指导训练每个代理，以解决分散的多覆盖路径规划问题，直接通过环境状态。由于分布式机器人需要其他意图来执行更好的覆盖效率，我们利用两种指导方法，人工势场和启发式指导，包括和整合其他意图到每个机器人的观察。通过我们构建的框架，结果表明我们的代理成功地学习确定自己的子区域，同时实现全覆盖，平衡的子区域和低重叠率。然后，我们在这些子区域内实现生成树覆盖，为每个机器人构建实际路线并完成给定的覆盖任务。我们的性能还与最先进的分散式方法进行了比较，显示重叠率最多降低10%，同时在类似环境中执行高效率。
2022-10-14 cs.RO cs.SY eess.SY
Online Planning for Decentralized Stochastic Control with Partial History Sharing
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在分散随机控制中，由于需要保持复杂的信息状态，用于顺序决策的标准方法，例如动态规划，很快变得难以处理。如果代理不具备完整的模型知识，计算挑战将进一步加剧。在本文中，我们利用这一事实，在许多问题中，代理共享一些共同的信息，或历史，称为部分历史共享。在这种信息结构下，策略搜索空间大大减小。我们提出了一个可证明收敛，在线树搜索算法，不需要一个封闭的形式模型或明确的代理之间的通信。有趣的是，我们的算法可以被看作是一个推广的几个现有的启发式求解分散部分可观察马尔可夫决策过程。为了证明该模型的适用性，我们提出了一种新的协同入侵响应模型，其中多个代理（防御者）拥有不对称的信息，旨在协同防御计算机网络。数值结果表明，我们的算法的性能。
2019-08-06 cs.AI cs.LG cs.MA
Decentralized Deep Reinforcement Learning for a Distributed and Adaptive Locomotion Controller of a Hexapod Robot
Bielefeld University（比勒费尔德大学）；Leibniz Institute for Neurobiology（莱布尼茨神经生物学研究所）；Otto-von-Guericke University（奥托·冯·格里克大学）
运动是动物适应性行为的一个主要例子，生物控制原理启发了足式机器人的控制架构。虽然近年来机器学习已成功应用于许多任务，但深度强化学习方法在应用于连续控制任务中的现实世界机器人时仍然显得很困难，特别是不能作为可以很好地处理不确定性的鲁棒解决方案。因此，有一个新的兴趣，将生物学原理纳入这样的学习架构。虽然在运动控制中发现的层次组织已经取得了一定的成功，我们在这里提出了一个分散的组织，在昆虫运动控制中发现的协调不同的腿。在一个模拟的六足机器人上引入了一种分散和分布式的体系结构，并通过深度强化学习学习控制器的细节。我们首先表明，这样一个并发的本地结构是能够学习更好的行走行为。其次，与整体方法相比，简单的组织学习得更快。
2020-05-21 cs.AI cs.RO stat.ML
Decentralized Motion Planning with Collision Avoidance for a Team of UAVs under High Level Goals
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了在高水平目标下的空中智能体团队的运动规划问题。我们提出了一种混合控制策略，保证每个代理的本地目标规范，这是作为一个时间逻辑公式的完成，同时保证代理间的冲突避免。特别是，通过定义3-D领域，绑定代理的体积，我们扩展了以前的工作分散的导航功能，并提出控制律，导航代理之间的预定义区域的工作空间的兴趣，同时避免相互碰撞。这使我们能够抽象的代理有限转移系统的运动，并通过采用标准的形式化验证技术，得到一个高层次的控制算法，满足代理的规格。仿真和四旋翼实验结果验证了该方法的有效性。
2016-10-04 cs.RO
Decentralized Deadlock-free Trajectory Planning for Quadrotor Swarm in Obstacle-rich Environments -- Extended version
Seoul National University（首尔国立大学）；Automation and Systems Research Institute（自动化与系统研究院）
针对富障碍、通信受限环境下四旋翼集群轨迹规划易死锁的问题，提出结合基于栅格MAPP、子目标优化与LSC的去中心化MATP算法，经多场景仿真与10架真机验证，可实现无死锁安全规划且性能优于此前工作。
2023-05-01 cs.RO
Learning Interaction-Aware Trajectory Predictions for Decentralized Multi-Robot Motion Planning in Dynamic Environments
Delft University of Technology（代尔夫特理工大学）
针对动态环境下的多机器人运动规划问题，提出了一种数据驱动的分散轨迹优化方法。当在共享空间中导航时，每个机器人都需要对相邻机器人的运动进行准确的预测，以实现预测性的碰撞避免。这些运动预测可以在机器人之间通过经由通信彼此共享它们的未来规划轨迹来获得。然而，这种通信在实践中可能无法获得，也不可靠。在本文中，我们介绍了一种新的轨迹预测模型的基础上循环神经网络（RNN），可以学习多机器人的运动行为，从演示轨迹使用集中式顺序规划器生成。学习的模型可以为每个机器人有效地在线运行，并根据其历史状态的观察提供其邻居的交互感知轨迹预测。然后，我们将轨迹预测模型到一个分散的模型预测控制（MPC）框架的多机器人避碰。仿真结果表明，我们的分散式方法可以实现一个集中式规划器的性能相当的水平，同时是通信自由和可扩展到大量的机器人。我们还验证了我们的方法与现实世界的实验中的四旋翼团队。
2021-02-23 cs.LG cs.RO
Joint-Space Multi-Robot Motion Planning with Learned Decentralized Heuristics
California Institute of Technology（加州理工学院）
提出一种利用去中心化数据驱动启发式偏置集中式采样树搜索的多机器人运动规划方法，有效解决了高维关节空间规划难题，支持多达16个机器人的规划。
2023-11-21 cs.RO
NMPC-LBF: Nonlinear MPC with Learned Barrier Function for Decentralized Safe Navigation of Multiple Robots in Unknown Environments
Arizona State University（亚利桑那州立大学）；Toyota Research Institute of North America（丰田北美研究院）
在本文中，我们提出了一种分散控制方法的基础上的非线性模型预测控制（NMPC）的方法，采用障碍证书的安全导航的多个非完整轮式移动机器人在未知的环境中的静态和/或动态障碍。该方法将学习障碍函数（LBF）结合到NMPC设计中以保证安全的机器人导航，即，防止机器人与其他机器人和障碍物发生碰撞。我们将我们提出的控制方法称为NMPC-LBF。由于每个机器人都没有关于障碍物和其他机器人的先验知识，因此我们使用在每个机器人上实时运行的深度神经网络（DeepNN）来学习障碍函数（BF），仅从机器人的LiDAR和里程测量中学习。DeepNN被训练来学习区分安全和不安全区域的BF。我们实现了我们提出的方法在模拟和实际的Turtlebot 3汉堡机器人（S）在不同的场景。实现结果表明，NMPC LBF方法在确保机器人安全导航的有效性。
2022-08-16 cs.RO
Anytime Planning for Decentralized POMDPs using Expectation Maximization
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
分散POMDPs提供了一个表达框架，多代理顺序决策。虽然有限时域DECPOMDPs已经取得了显著的成功，进展仍然缓慢的无限时域的情况下，主要是由于固有的复杂性，优化随机控制器代表代理政策。我们提出了一个很有前途的新一类算法的无限地平线的情况下，重铸的优化问题的推理混合DBNs。这种方法的一个有吸引力的特点是直接采用现有的推理技术在DBN解决DEC-POMDP和支持更丰富的表示，如因子或连续的状态和动作。我们还推导出期望最大化（EM）算法来优化联合政策表示为DBN。在基准域上的实验表明，EM与最先进的求解器相比毫不逊色。
2012-03-15 cs.AI
Hierarchical Decentralized Deep Reinforcement Learning Architecture for a Simulated Four-Legged Agent
Bielefeld University（比勒费尔德大学）
腿部运动在自然界中广泛存在，并激发了当前机器人的设计。这些足式机器人的控制器通常被实现为一个集中实例。然而，在自然界中，对运动的控制是以等级和分散的方式发生的。将这些生物学设计原理引入机器人控制系统激发了这项工作。我们解决的问题是否分散和分层控制是有益的足式机器人，并提出了一种新的分散，分层体系结构来控制模拟腿代理。三个不同的任务，不同的复杂性被设计为基准五个架构（集中式，分散式，分层和分层分散架构的两种不同组合）。结果表明，分散分层架构的不同级别有助于智能体的学习，确保更节能的运动以及对新的不可见环境的鲁棒性。此外，这种比较揭示了模块化在分层架构中解决复杂目标导向任务的重要性。我们提供了我们架构的开源代码实现（https：//github.com/wzaielamri/hddrl）。
2022-09-21 cs.AI cs.LG cs.RO
Decentralized Multi-Agent Trajectory Planning in Dynamic Environments with Spatiotemporal Occupancy Grid Maps
Delft University of Technology（代尔夫特理工大学）
本文提出一种基于时空占据栅格地图（SOGM）的分散式微型飞行器轨迹规划框架，通过扩展kinodynamic A*与走廊约束优化算法，有效解决了含任意形状动静态障碍物的避障问题，并在仿真与真实实验中验证了其优越性能。
2024-04-24 cs.RO
Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning
University of Pennsylvania（宾夕法尼亚大学）；Stanford University（斯坦福大学）
本文针对去中心化无标签运动规划问题，提出基于图神经网络学习的策略，结合模仿学习与强化学习，在100个机器人上训练后可泛化至500个机器人，平均性能超越现有方法8.6%。
2024-09-29 cs.AI cs.RO cs.SY
Decentralized Structural-RNN for Robot Crowd Navigation with Deep Reinforcement Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对机器人在部分可观测和密集人群环境中导航性能下降的问题，提出DS-RNN网络，利用无模型深度强化学习进行时空关系推理，并在仿真和真实TurtleBot上验证了其优越性。
2025-01-27 cs.AI cs.LG cs.RO
Decentralized MPC based Obstacle Avoidance for Multi-Robot Target Tracking Scenarios
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Tübingen（图宾根大学）；International Institute for Information Technology（国际信息技术研究所）
在这项工作中，我们考虑的问题，分散的多机器人目标跟踪和避障在动态环境中。每个机器人执行基于模型预测控制（MPC）的局部运动规划算法。规划器被设计为二次规划，受到机器人动力学和避障的约束。采用排斥势场函数来避开障碍物。我们的方法的新颖之处在于嵌入这些非线性势场函数的约束条件内的凸优化框架。我们的方法convexifies非凸约束和依赖关系，通过将它们替换为机器人动力学中预先计算的外部输入力。所提出的算法还采用了不同的方法，以避免使用潜在的场函数规划领域的局部极小值问题。运动规划器不强制执行预定义的轨迹或任何形成的机器人的几何形状，是一个全面的解决方案，在多机器人目标跟踪的背景下，合作避障。我们在不同的环境下进行仿真研究，以展示所提出的算法的收敛性和有效性。模拟研究视频：\url{https://youtu.be/umkdm82Tt0M}
2019-09-01 cs.MA cs.RO cs.SY
Manifold-constrained Hamilton-Jacobi Reachability Learning for Decentralized Multi-Agent Motion Planning
Purdue University（普渡大学）
提出流形约束的 HJR 学习框架，通过求解流形约束下的 HJR 问题获取任务感知安全条件，并集成到去中心化轨迹优化规划器中，实现安全且任务可行的多智能体运动规划。
2026-07-02 cs.RO cs.SY eess.SY
DREAM: Decentralized Real-time Asynchronous Probabilistic Trajectory Planning for Collision-free Multi-Robot Navigation in Cluttered Environments
NVIDIA（英伟达）；University of Southern California（南加州大学）；Amazon（亚马逊）
针对含交互动态障碍的杂乱环境，本文提出DREAM去中心化异步概率多机器人轨迹规划器，仿真和真实四旋翼实验表明其显著提升成功率并降低规划耗时。
2024-05-20 cs.RO
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
The Complexity of Decentralized Control of Markov Decision Processes
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
从决策论的角度考虑了具有部分状态信息的分布式智能体的规划问题.我们描述了广义的MDP和POMDP模型，允许分散控制。即使是少量的代理人，我们的两个模型对应的有限时域问题是完整的非确定性指数时间。这些复杂性的结果说明了马尔可夫过程的集中控制和分散控制之间的根本区别。与MDP和POMDP问题相比，我们考虑的问题可证明不允许多项式时间算法，并且在最坏的情况下很可能需要双指数时间来解决。因此，我们提供了相应的数学证据的直觉，分散的规划问题不能很容易地减少到集中的问题，并解决了使用既定的技术。
2013-01-16 cs.AI
Complete Decentralized Method for On-Line Multi-Robot Trajectory Planning in Valid Infrastructures
FEL, CTU in Prague（布拉格捷克理工大学电气工程学院）；iRobot Inc.（iRobot公司）
我们考虑一个由多个移动机器人组成的系统，在该系统中，用户可以在任何时候发出搬迁任务，命令其中一个机器人从其当前位置移动到给定的目的地位置。在本文中，我们处理的问题，找到一个轨迹为每个这样的搬迁任务，避免与其他机器人的碰撞。所选择的机器人规划其轨迹，以避免与执行先前发布的任务的其他机器人发生碰撞。我们证明，如果所有可能的目的地的搬迁任务满足所谓的有效的基础设施属性，那么这种机制是保证总是成功的，并提供一个轨迹的机器人到达目的地，而不会与任何其他机器人碰撞。在固定的空间时间离散化的方法的时间复杂度是二次的机器人的数量。我们证明了所提出的方法在几个现实世界的地图上的适用性，并将其性能与一种流行的反应性方法进行比较，该方法试图在本地解决冲突。除了死锁自由，所提出的方法生成的轨迹是显着更快（高达48%的改善）比轨迹产生的局部碰撞避免。
2015-01-30 cs.RO
Fast Decentralized State Estimation for Legged Robot Locomotion via EKF and MHE
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出一种快速去中心化足式机器人状态估计框架，通过 EKF 估计姿态、MHE 估计线速度，并利用 FIF 边缘化方法实现解耦，在保证精度与约束下提升了计算效率。
2024-10-11 cs.RO
Cooperative Distributed MPC via Decentralized Real-Time Optimization: Implementation Results for Robot Formations
Institute for Energy Systems, Energy Efficiency and Energy Economics, TU Dortmund University（能源系统、能源效率与能源经济学研究所，德累斯顿理工大学）；Institute of Engineering and Computational Mechanics, University of Stuttgart（工程与计算力学研究所，斯图加特大学）
本文提出一种基于协同 DMPC 的移动机器人编队控制方法，结合 ADMM 与分散式序列二次规划实现无中央协调器的分散式实时优化，实验验证了其有效性与实时可行性。
2023-05-24 cs.RO cs.SY eess.SY
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology（波兹南理工大学）
在本文中，我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外，规划者应该检查多个约束，如静态稳定性，自碰撞，与地形的碰撞，以及腿的工作空间。结果，检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中，我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后，我们提出了一种新的规划方法，提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）
在人口密集的动态环境中，机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地，移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑，分为全局路径规划和局部路径规划。在此框架内，路径规划方法的最新进展，在文件中，同时检查他们的优点和缺点。值得注意的是，最近开发的速度障碍法及其变种，作为当地的规划者进行了全面的分析。此外，作为当前机器人应用中广泛使用的无模型方法，本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Fast-reactive probabilistic motion planning for high-dimensional robots
Massachusetts Institute of Technology（麻省理工学院）
许多涉及高维人形机器人的真实机器人操作需要对规划干扰的快速反应和碰撞风险的概率保证，而大多数为汽车类机器人开发的概率运动规划方法不能直接应用于高维机器人。在本文中，我们提出了概率Chekov（p-Chekov），一个快速反应的运动规划系统，可以提供安全保证高维机器人遭受过程噪声和观测噪声。利用机器学习的最新进展以及我们以前在确定性运动规划方面的工作，将轨迹优化集成到稀疏路线图框架中，p-Chekov在复杂环境中的高维机器人运动规划任务中的避撞能力和规划速度方面表现出其优越性，而无需凸化障碍物。本文提供的全面的理论和实证分析表明，p-Chekov可以有效地满足用户指定的机会约束的碰撞风险在实际的机器人操作任务。
2020-12-03 cs.LG cs.RO
Dynamically Constrained Motion Planning Networks for Non-Holonomic Robots
University of California San Diego（加州大学圣迭戈分校）
可靠的机器人实时规划在当今快速扩张的自动化生态系统中至关重要。在这样的环境中，传统的方法，计划放松约束变得不可靠或运动约束的机器人慢。本文介绍了算法动态运动规划网络（动态MPNet），运动规划网络的扩展，非完整机器人，解决实时运动规划的挑战，使用神经规划方法。我们提出了对训练和规划网络的修改，使其能够进行实时规划，同时提高训练的数据效率和训练模型的泛化能力。我们评估我们的模型在模拟规划任务的非完整机器人。我们还展示了实验结果的室内导航任务使用Dubins车。
2020-08-12 cs.RO cs.SY eess.SY
Informative Path Planning with Local Penalization for Decentralized and Asynchronous Swarm Robotic Search
University at Buffalo（布法罗大学）
分散式群机器人解决方案，以寻找目标，发射一个空间变化的信号承诺任务并行性，时间效率和容错。然而，群体算法在提供可扩展性和效率的同时，保持对所展示行为的数学见解是具有挑战性的。一种新的分散式搜索方法（称为贝叶斯群），建立在批量贝叶斯优化（BO）的原则，在这里提出，以解决这些挑战。与群算法不同，贝叶斯群算法简化了知识生成和任务规划过程，从而保留了对紧急行为的洞察。主要贡献在于：1）对轨迹上的知识提取进行建模，与BO中不同; 2）时间自适应地平衡探索/利用，并使用有效的局部惩罚方法来考虑不同机器人的计划样本之间的潜在交互;以及3）呈现算法的异步实现。该算法进行了测试的案例研究与双峰和高度多峰信号分布。与穷举搜索基线相比，效率提高了76倍。利用/探索平衡，异步规划，和本地惩罚，以及群大小的可扩展性的好处，也被证明。
2019-07-09 cs.AI cs.MA cs.RO
Decentralized Dynamic Task Allocation in Swarm Robotic Systems for Disaster Response
University at Buffalo（布法罗大学）
多个机器人系统一起工作，可以为不同的现实世界应用提供重要的解决方案（例如，灾害应对），其中任务分配问题尤为突出。很少有现有的分散式多机器人任务分配（MRTA）方法同时提供以下功能：考虑任务的最后期限，考虑机器人的范围和任务完成能力的限制，并允许在动态任务空间下的异步决策。为了提供这些功能，本文提出了一种计算效率高的算法，涉及新的建设和匹配的二分图。它的性能进行了测试的多无人机洪水响应应用程序。
2020-07-25 cs.AI cs.MA cs.RO
Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection
University of Cambridge（剑桥大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Maryland（马里兰大学）
分散式多机器人目标跟踪问题要求联合选择动作，例如，运动基元，用于机器人通过本地通信最大限度地提高目标跟踪性能。实际实现的一个主要挑战是使目标跟踪方法可扩展到大规模的问题实例。在这项工作中，我们提出了一个通用的学习架构，以大规模的协作目标跟踪，分散的通信。特别是，我们的学习架构利用图神经网络（GNN）来捕获机器人的本地交互，并学习机器人的分散决策。我们训练的学习模型，通过模仿专家的解决方案，并实现所产生的模型，分散的行动选择只涉及当地的观察和通信。我们展示了我们的GNN为基础的学习方法的性能在一个场景中的主动目标跟踪与大型网络的机器人。仿真结果表明，我们的方法几乎匹配的专家算法的跟踪性能，但运行几个订单更快，多达100个机器人。此外，它的性能略优于分散式贪心算法，但运行速度更快（特别是超过20个机器人）。结果还展示了我们的方法在以前看不见的情况下的泛化能力，例如，更大的环境和更大的机器人网络
2022-09-14 cs.AI cs.LG cs.MA
Learning Multi-Robot Decentralized Macro-Action-Based Policies via a Centralized Q-Net
Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）
在许多现实世界的多机器人任务中，高质量的解决方案通常需要一组机器人在分散控制下执行异步动作。分散式多智能体强化学习方法很难学习分散式策略，因为环境似乎是非平稳的，因为其他代理也在同时学习。在本文中，我们通过提出一种基于宏动作的分散式多智能体双深度递归Q网（MacDec-MADDRQN）来解决这一挑战，该Q网使用集中式Q网进行动作选择来训练每个分散式Q网。还提出了一个具有两个独立训练环境的MacDec-MADDRQN的通用版本，称为MacDec-MADDRQN，以利用集中式或分散式探索。我们的方法的优点和实用性通过在模拟中实现接近集中的结果和使真实机器人以有效的方式完成仓库工具交付任务来证明。
2020-03-03 cs.AI cs.RO
SPACE: A Python-based Simulator for Evaluating Decentralized Multi-Robot Task Allocation Algorithms
Korea Aerospace University（韩国航空航天大学）
本文提出基于 Python 的 SPACE 仿真器，以插件、行为树 GUI、通信与局部任务感知支持去中心化 MRTA 算法评估，并通过 CBBA 与 GRAPE 的动态任务实验验证其效用。
2024-09-06 cs.AI cs.MA cs.RO
GNN-based Decentralized Perception in Multirobot Systems for Predicting Worker Actions
Ecole de technologie supérieure（高等技术学院）；Polytechnique Montréal（蒙特利尔理工学院）
本文提出基于 GNN 的去中心化多机器人感知框架，通过共享空间图、融合时序信息和群体共识决策预测工人动作，提升了预测准确率与系统可靠性。
2025-01-08 cs.AI cs.MA cs.RO
SPARCAS: A Decentralized, Truthful Multi-Agent Collision-free Path Finding Mechanism
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
我们提出了一个分散的碰撞避免机制，一组独立控制的机器人在一个共享的工作空间。现有的算法实现多机器人碰撞避免（a）在一个集中的设置，或（b）在一个分散的设置与协作机器人。我们专注于在分散的环境中与竞争机器人的设置，在那里机器人可能会策略性地透露他们的信息以获得优先级。我们提出的机制SPARCAS在这种情况下，使用机制设计的原则，确保真实的机器人的私人信息的启示，并提供本地有效的移动的机器人。它没有碰撞和死锁，并处理机器人的动态到达。在实践中，这种机制很好地扩展了大量的机器人，其中最佳的避免碰撞的路径查找算法（M*）不缩放。然而，SPARCAS并没有过多地损害路径最优性。我们的机制按照机器人的“真正”更高需求的顺序对它们进行优先级排序，但支付更高的费用。它使用货币转移，与机器人收到的价值相比，这是足够小的。
2019-09-18 cs.MA cs.RO
Enhanced Decentralized Autonomous Aerial Robot Teams with Group Planning
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术研究院）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Zhejiang University（浙江大学）
设计自主式空中机器人团队系统仍然是机器人领域的一个重大挑战。这一领域的现有工作可分为集中式和分散式。集中式方法面临规模困境，而分散式方法往往导致规划质量低下。在本文中，我们提出了一个增强的分散式自主空中机器人团队系统的群体规划。根据Agent的空间分布，系统动态地将团队划分为若干组和孤立的Agent。对于每个组内的冲突，我们提出了一种新的协调机制命名为组规划。群规划由高效的多智能体寻路（MAPF）和轨迹联合优化组成，可以显著提高规划质量和成功率。我们通过模拟和真实世界的实验表明，我们的方法不仅适用于大规模的团队，但也有顶级的规划质量
2022-10-19 cs.RO
Decentralized Task and Path Planning for Multi-Robot Systems
Caltech（加州理工学院）
我们考虑一个多机器人系统与一个团队的协作机器人和多个任务，随着时间的推移出现。我们提出了一个完全分散的任务和路径规划（DTPP）的框架组成的任务分配模块和本地化的路径规划模块。每个任务被建模为马尔可夫决策过程（MDP）或混合观察马尔可夫决策过程（MOMDP），这取决于是否完整的状态或部分状态是可观察的。任务分配模块的目标是最大化机器人团队的预期纯回报（回报减去成本）。我们将马尔可夫模型融合到一个因子图公式中，以便使用最大和算法分散解决任务分配问题。每个机器人代理遵循最优的策略合成的马尔可夫模型，我们提出了一个本地化的前向动态规划计划，解决代理之间的冲突，避免碰撞。所提出的框架与高保真ROS模拟和实验与多个地面机器人。
2020-11-19 cs.MA cs.RO
Decentralized Ability-Aware Adaptive Control for Multi-robot Collaborative Manipulation
University of Edinburgh（爱丁堡大学）；Shenzhen Institute for Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
多机器人团队可以完成比单个机器人更灵巧、复杂和更重的有效载荷任务，但需要有效的协作。多机器人协作是极具挑战性的，由于不同的运动学和动力学能力的机器人，它们之间的有限的通信，以及系统参数的不确定性。在本文中，一个分散的能力感知自适应控制提出了解决这些挑战的基础上的两个关键特征。首先，共同的操作任务表示为建议的名义任务椭球，这是用来最大化每个机器人的力能力在线通过优化其配置。其次，分散自适应控制器的设计是李雅普诺夫稳定的异构驱动约束的机器人和不确定的物理参数的对象和环境。在所提出的框架中，分散的协调和负载分配的机器人之间实现没有通信，而只有控制不足的广播，如果任何机器人达到其力的限制。在这种情况下，以分散的方式修改对象参考轨迹以保证稳定的交互。最后，我们进行了几个数值和物理仿真分析和验证所提出的方法与异构多机器人团队的协作操作任务。
2021-02-07 cs.MA cs.RO
Decentralized Connectivity Maintenance for Multi-robot Systems Under Motion and Sensing Uncertainties
Stanford University（斯坦福大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Massachusetts Institute of Technology（麻省理工学院）
通信连接性对于多机器人系统的安全和有效操作是期望的。虽然在最近的文献中已经探索了用于连接维护的分散算法，但这些工作中的大多数都没有考虑机器人运动和传感不确定性。这些不确定性是实际机器人所固有的，并导致机器人偏离其期望位置，这可能会导致连接丢失。在本文中，我们提出了一个分散的连接维护算法占机器人运动和传感Understanding（DCMU）。首先，我们提出了一种新的加权图定义的多机器人系统，占上述不确定性以及现实的连接约束，如视线连接和碰撞避免。接下来，我们设计了一个分散的基于梯度的控制器的连通性维护，我们推导出计算控制所需的加权图边权重的梯度。最后，我们进行了多次模拟，以验证我们的DCMU算法在机器人运动和传感不确定性下的连接维护性能，并显示出与以前的工作相比的改进。
2022-07-20 cs.MA cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹，并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法，该方法在实践中已被证明是有效的，但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外，优先规划是集中式算法，这在许多情况下可能是不期望的。在本文中，我们a）提出了一个修订版本的优先规划和特征的类的实例，可证明可解决的算法和b）提出了一个异步分散的优先规划的变体，它保持了集中式版本的理想属性，并在同一时间利用分布式计算能力的个人机器人，这在大多数情况下，允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明，a）优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例，b）异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Decentralized Task Allocation in Multi-Robot Systems via Bipartite Graph Matching Augmented with Fuzzy Clustering
University at Buffalo（布法罗大学）
机器人系统作为一个团队一起工作，正在成为从灾难响应到仓库履行服务等不同现实世界应用中的重要参与者。用于协调多机器人团队的集中式解决方案通常存在可扩展性差和通信中断的脆弱性。本文提出了一种分散式多智能体任务分配（Dec-MATA）算法的多机器人应用。任务规划问题是作为一个最大加权匹配的二分图，使用开花算法的解决方案，使每个机器人自主识别的最佳序列的任务，它应该承担。基于软聚类过程确定图的权重，软聚类过程也起到了问题分解的作用，以降低个体Agent任务分配问题的复杂性。为了评估新的Dec-MATA算法，进行了一系列的案例研究（不同的复杂性），任务随机分布在一个可观察的2D环境。一个集中的方法，一个国家的最先进的MILP制定的多旅行商问题的基础上进行比较分析。在集中式算法获得的最优成本的7-28%范围内，Dec-MATA算法被发现比集中式算法快1-3个数量级，并且对任务与机器人比率的敏感性最低。
2018-07-20 cs.AI cs.MA cs.RO
