Centralized vs. Decoupled Dual-Arm Planning Taking into Account Path Quality
Technical University of Munich（慕尼黑工业大学）；Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与机器智能研究所）
本文比较了双臂操作中集中式与解耦式规划的性能，证明集中式规划在计算时间和鲁棒性上更优，并提出一种最小化末端执行器旋转运动的优化方法，通过解析梯度实现小于1秒的在线高质量路径规划。
2024-01-16 cs.RO
D-CLIPSE: Distributed Consensus-based Localization with Passive Listening on Shared State Exchange
研究多机器人定位问题，提出基于分布式共识的滤波框架，通过共享预积分里程计和相关共享状态实现定位，在模拟和实验中验证，精度和一致性接近集中式方法，优于当前分散式方法。
2026-07-10 cs.RO
Self-organizing Nervous Systems for Robot Swarms
Université Libre de Bruxelles（布鲁塞尔自由大学）；University of Southern Denmark（南丹麦大学）
提出自组织神经系统SoNS，通过动态多层级层级让机器人群体在局部集中协调与自组织优势间取得平衡，并在真实异构空地群体和250机器人仿真中验证其性能与容错性。
2024-01-23 cs.RO
Technical Report: Distributed Sampling-based Planning for Non-Myopic Active Information Gathering
University of Pennsylvania（宾夕法尼亚大学）
研究了多机器人系统的主动信息采集问题。具体来说，我们考虑的情况下，机器人的任务是减少不确定性的动态隐藏状态在复杂的环境中发展。大多数现有的信息收集方法是集中式的，因此，它们不能应用于分布式机器人团队，其中与中央用户的通信不可用。为了解决这一挑战，我们提出了一种新的分布式采样为基础的规划算法，可以显着提高机器人和目标的可扩展性，同时降低计算成本。在我们的非近视方法中，所有机器人都并行地构建局部树，探索信息空间及其相应的运动空间。当机器人构建各自的局部树时，它们与邻居进行通信，通过分布式卡尔曼滤波器交换和聚合关于隐藏状态的局部信念。我们证明了所提出的算法是概率完全的和渐近最优的。我们提供了大量的模拟结果，证明了所提出的算法的可扩展性，它可以解决大规模的，多机器人的信息收集任务，这是计算上具有挑战性的集中式方法。
2021-07-23 cs.RO
Technical Report: Scalable Active Information Acquisition for Multi-Robot Systems
University of Pennsylvania（宾夕法尼亚大学）
针对多机器人主动信息获取（AIA）任务，提出了一种新的高度可扩展的非近视规划算法。AIA场景包括目标定位和跟踪、主动SLAM、监视、环境监测等。我们的目标是计算多个机器人的控制策略，最大限度地减少累积的不确定性的静态隐藏状态在一个先验未知的地平线。大多数现有的AIA方法都是集中式的，因此面临扩展挑战。为了缓解这个问题，我们提出了一个在线算法，依赖于通过动态空间划分方法分解AIA任务到本地任务。本地子任务是在线制定的，并要求机器人根据其在环境中的功能在探索和主动信息收集角色之间切换。切换过程与优化信息收集紧密集成，从而产生混合控制方法。我们表明，所提出的基于分解的算法是概率完成均匀传感器团队和线性和高斯假设下。我们提供了大量的模拟结果表明，该算法可以解决大规模的估计任务，计算上具有挑战性的解决使用现有的集中式方法。
2021-03-16 cs.RO
Distributed Assignment with Limited Communication for Multi-Robot Multi-Target Tracking
Virginia Tech（弗吉尼亚理工学院暨州立大学）
我们研究的问题，跟踪多个移动目标，使用移动机器人的团队。每个机器人都有一组运动基元可供选择，以便共同最大化跟踪的目标数量或跟踪的总质量。我们的重点是在通信有限的情况下，机器人有有限的时间与邻居分享信息。因此，我们寻求分布式算法，可以在有限的时间内找到解决方案。我们提出了两种算法：（1）尽管在最坏情况下需要$|R|$通信回合，但保证找到最优（集中式）解的$2$近似的贪心算法，其中$|R|$表示机器人的数量;以及（2）在$\mathcal{O}(h\log 1/ε)$通信回合中找到$\mathcal{O}\left((1+ε)(1+1/h)\right)$近似算法的局部算法。这里，$h$和$ε$是允许用户权衡解决方案质量与通信时间的参数。除了理论结果，我们提出了实证评估，包括与集中式最优解的比较。
2019-05-29 cs.RO
Neural Tree Expansion for Multi-Robot Planning in Non-Cooperative Environments
California Institute of Technology（加州理工学院）
我们提出了一种自我改进的神经树扩展（NTE）方法，用于非合作环境中的多机器人在线规划，其中每个机器人在与其他自利机器人交互时试图最大化其累积奖励。我们的算法适应集中，完善的信息，离散动作空间的方法从AlphaZero分散，部分信息，连续的动作空间设置多机器人应用程序。我们的方法有三个相互作用的组成部分：（i）具有提供专家演示的大计算资源的集中式、完全信息“专家”蒙特卡罗树搜索（MCTS），（ii）具有实时运行并提供自玩示例的小计算资源的分散式、部分信息“学习者”MCTS，以及（iii）策略和值神经网络，其利用专家示范进行训练并且使专家和学习者树生长都偏置。我们的数值实验证明了神经树扩展的计算优势，找到了比MCTS更好的解决方案，其资源是MCTS的20倍。由此产生的政策是动态复杂的，展示机器人之间的协调，并发挥达到目标，避免差分游戏显着优于国家的最先进的控制理论基线的多机器人，双积分器系统。我们在空中蜂群上的硬件实验证明了神经树扩展的计算优势，可以在复杂场景中以20 Hz的频率使用有效的策略进行在线规划。
2021-07-09 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
Self Contained Relative Localization with a Low-Cost Multi-Robot System
Lafayette College（拉斐特学院）；University of Pennsylvania（宾夕法尼亚大学）
当前多机器人系统的关键限制是缺乏相对定位，特别是在没有GPS或运动捕获系统的环境中。本文提出了一种集中的方法，相对本地化的2D群使用传感器和信标的机器人本身。基于UKF的算法以及所需的新颖的和具有成本效益的传感硬件进行了讨论。与运动捕捉系统的比较表明，该方法是能够定位的机器人的大小顺序的错误。
2018-11-28 cs.RO
OneVision: Centralized to Distributed Controller Synthesis with Delay Compensation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一种新的算法，以简化分布式机器人系统的控制器开发受到外部观测，干扰和通信延迟。与以前的方法，提出专门的解决方案来处理特定的机器人应用程序的通信延迟，我们的算法使用任意的集中式控制器作为规范，并自动生成分布式控制器与通信管理和延迟补偿。我们将我们的目标表述为非线性最优控制--使用后悔最小化目标来衡量分布式代理的行为与无延迟集中式响应的不同程度--并求解最优行动w.r.t.使用基于梯度的优化对该目标进行局部估计。我们分析了我们提出的算法的线性时不变的特殊情况下的行为，并证明了闭环动态满足一种形式的输入到状态稳定w.r.t.意想不到的干扰和观察。我们在模拟和现实世界的机器人任务的实验结果表明，我们的方法的实际用途，并显示出显着的改善，几个基线方法。
2021-04-14 cs.MA cs.RO cs.SY
Decentralized Learning With Limited Communications for Multi-robot Coverage of Unknown Spatial Fields
Princeton University（普林斯顿大学）
本文提出了一种算法，一组移动机器人同时学习一个域上的空间场，并在空间上分布自己，以最佳地覆盖它。借鉴以往的方法，估计空间场通过一个集中的高斯过程，这项工作利用了覆盖问题的空间结构，并提出了一种分散的策略，通过建立跨越边界的通信，在本地聚集样本一个Voronoi分区。我们提出了一种算法，每个机器人运行一个本地高斯过程计算从自己的测量和提供的Voronoi邻居，这是纳入个别机器人的高斯过程，只有当他们提供足够新颖的信息。该算法的性能进行了评估，在模拟和集中式的方法相比。
2022-08-03 cs.MA cs.RO
A Survey of Distributed Optimization Methods for Multi-Robot Systems
Stanford University（斯坦福大学）
分布式优化由多个计算节点共同工作，通过局部计算迭代和网络约束的通信步骤来最小化公共目标函数组成。在机器人技术的背景下，分布式优化算法可以使多个机器人系统在没有集中协调的情况下完成任务。我们提出了一个通用的框架，应用分布式优化作为一个模块，在机器人管道。我们调查了几类分布式优化算法，并评估其实际适用于多机器人应用。我们进一步比较了三种典型多机器人问题场景的模拟中不同类型算法的性能。一致性交替方向乘子法（C-ADMM）是一种多机器人系统分布式优化方法。
2021-03-23 cs.RO
Distributed Attack-Robust Submodular Maximization for Multi-Robot Planning
Virginia Tech（弗吉尼亚理工大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Michigan（密歇根大学）；University of Maryland（马里兰大学）
在本文中，我们设计的算法来保护群集机器人应用程序对传感器拒绝服务（DoS）攻击的机器人。我们专注于需要机器人联合选择动作的应用，例如，从一组可用的轨迹中选择要遵循的轨迹这样的应用是大规模机器人应用的核心，例如用于目标跟踪的多机器人运动规划。但目前的攻击鲁棒算法都是集中式的。在本文中，我们提出了一个通用的分布式算法，以强大的规模优化，只有本地通信。我们称之为分布式鲁棒最大化（DRM）。DRM提出了一种分而治之的方法，分布式分区之间的机器人集团的问题。然后，集团并行优化，彼此独立。我们证明DRM实现了接近最佳的性能。我们证明DRM的性能在凉亭和MATLAB模拟，在场景中的主动目标跟踪与成群的机器人。在仿真中，DRM实现了计算速度的提升，比集中式算法快1-2个数量级;然而，它几乎与集中式算法的跟踪性能相匹配。由于DRM高估了每个集团中的攻击数量，本文还介绍了一种改进的分布式鲁棒最大化（IDRM）算法。IDM通过利用3跳相邻通信来推断每个集团中的攻击数量，比DRM更不保守。我们验证了IDRM提高DRM的性能在模拟。
2022-03-18 cs.AI cs.MA cs.RO
Simultaneous Human-robot Matching and Routing for Multi-robot Tour Guiding under Time Uncertainty
Robotics Institute University of Michigan（密歇根大学机器人研究所）；DEVCOM GVSC US Army（美国陆军作战能力发展司令部地面车辆系统中心）
本文提出了一种在部分已知的不确定环境中（如博物馆）进行多机器人导游的框架。在建议的集中式多机器人规划器，同时匹配和路由问题（SMRP）制定匹配的人与机器人导游根据他们选择的兴趣点（POI），并根据不确定的空间和时间的估计产生的机器人的路线和时间表。一个大的邻域搜索算法，有效地找到次优的低成本解决方案的SMRP。的可扩展性和最优性的多机器人规划计算评估下不同数量的人，机器人和POI。测试的最大案例涉及50个机器人，250个人类和50个POI。为了验证该系统在不确定室内环境中的导游性能，基于人工智能开发了一个具有照片级真实感的多机器人仿真平台。结果表明，所提出的集中式旅游规划是可扩展的，在不同的环境约束下的计划，使一个平稳的权衡，并可以导致鲁棒性能与不准确的不确定性估计（在一定的利润率）。
2022-01-25 cs.MA cs.RO
Distributed Multi-Coverage for Robot Swarms
University of Houston（德克萨斯大学休斯顿分校）
本文提出了一种分布式多覆盖算法，用于解决机器人群在局部感知、局部通信和无全局协调的情况下，维持关键资产可靠覆盖的问题，同时应对机器人故障等约束条件。
2026-05-20 cs.RO
Distributed Cohesive Control for Robot Swarms: Maintaining Good Connectivity in the Presence of Exterior Forces
TU Braunschweig（布伦瑞克工业大学）
我们提出了一些强大的本地机制，以保持一个动态的机器人群有限的能力和信息，在存在外力和永久节点故障。我们提出了一组局部连续算法，共同产生一个推广的欧几里德斯坦纳树。在任何阶段，所得到的整体形状都实现了局部厚度、全局连接性和柔性之间的良好折衷，以进一步实现端子的连续运动。由此产生的群体行为的规模以及，对节点故障是强大的，并执行接近最好的已知的近似界相应的集中式静态优化问题。
2015-05-12 cs.RO
Greedy Kalman-Swarm: Improving State Estimation in Robot Swarms in Harsh Environments
International School of Engineering, Chulalongkorn University（国际工程学院，朱拉隆功大学）
本文提出贪心卡尔曼-群方法，通过局部分布式状态估计提升机器人群在恶劣环境中的状态估计精度，平衡了独立估计的低开销与集中系统的高精度。
2026-04-18 cs.RO
Fast Collision Checking: From Single Robots to Multi-Robot Teams
Massachusetts Institute of Technology（麻省理工学院）
我们研究了三种不同的算法，使碰撞证书的方法[Bialkowski等人]。来处理集中式多机器人团队的情况。通过利用多机器人团队的配置空间中的对称性，我们的方法可以显着减少碰撞检查的数量[Bialkowski等人]。和标准冲突检查实现。
2013-05-10 cs.AI cs.MA cs.RO
AC-DC: Adaptive Communication for Scalable Dynamic Average Consensus in Multi-Robot Ergodic Search
University of Michigan（密歇根大学）；Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉珀实验室）
提出AC-DC自适应通信方法，联合调整通信对象、时机与状态内容，实现多机器人遍历搜索的可扩展动态平均一致性，相比基线降低27.5%误差且通信量减少8.7倍。
2026-09-22 cs.RO
Learning Decentralized Controllers for Robot Swarms with Graph Neural Networks
University of Pennsylvania（宾夕法尼亚大学）
我们考虑的问题，发现分布式控制器的大型网络的移动机器人与互动的动态和稀疏可用的通信。我们的方法是学习本地控制器，只需要本地的信息和通信在测试时，通过模仿集中式控制器在训练时使用全局信息的政策。通过扩展聚合图神经网络随时间变化的信号和随时间变化的网络支持，我们学习一个单一的共同的本地控制器，利用信息从遥远的队友只使用本地通信交换。我们将这种方法应用于群集问题，以展示随着机器人移动而变化的通信图上的性能。我们研究如何减少通信半径和更快的速度增加多跳信息的价值。
2021-03-24 cs.RO
Coverage Control for a Multi-robot Team with Heterogeneous Capabilities using Block Coordinate Descent (BCD) Method
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个覆盖控制系统的多机器人团队与异构能力巡逻或监测有界环境。能力可以定义为机器人的任何标准，如剩余功率或移动速度，这取决于目的。所提出的控制系统旨在根据机器人的能力将环境的不同部分分配给机器人，即，具有较高能力的机器人占据环境的较大部分，而具有较低能力的机器人占据较小部分。我们使用块坐标下降（BCD）的方法来优化部分的位置和分区方法交替。一个集中的机器被用来同步的机器人和每个机器人的梯度可以计算在一个分布式的方式。仿真结果表明，所提出的控制系统的性能。
2022-04-20 cs.RO
D2CoPlan: A Differentiable Decentralized Planner for Multi-Robot Coverage
University of Maryland, College Park（马里兰大学帕克分校）；Drexel University（德雷塞尔大学）
多机器人覆盖规划问题的集中式方法缺乏可扩展性。基于学习的分布式算法提供了一个可扩展的途径，除了将面向数据的特征生成功能带到表中，允许与其他基于学习的方法集成。为此，我们提出了一个基于学习的，可区分的分布式覆盖规划（D2COPL A N），它的规模有效地在运行时和代理的数量相比，专家算法，并执行与经典的分布式算法。此外，我们还表明，D2COPlan可以与其他学习方法无缝结合，进行端到端的学习，从而获得比单独训练的模块更好的解决方案，为进一步研究经典方法仍然难以实现的任务打开了大门。
2022-09-19 cs.RO
Distributed Multi-Robot Obstacle Avoidance via Logarithmic Map-based Deep Reinforcement Learning
Zhejiang University（浙江大学）；NetEase（网易）
在拥挤和狭窄的场景中为多个机器人开发安全，稳定和高效的避障策略具有挑战性。大多数现有的研究要么使用集中控制，要么需要与其他机器人进行通信。在本文中，我们提出了一种新的基于对数地图的深度强化学习方法，用于复杂和无通信的多机器人场景中的避障。特别是，我们的方法将激光信息转换为对数映射。作为提高训练速度和泛化性能的一步，我们的策略将在两个专门设计的多机器人场景中进行训练。与其他方法相比，对数地图能更准确地表示障碍物，提高避障成功率。最后，我们评估我们的方法在各种模拟和现实世界的情况下。实验结果表明，该方法在复杂的多机器人场景和行人场景中为机器人提供了一种更稳定、更有效的导航解决方案。有关视频，请访问https://youtu.be/r0EsUXe6MZE。
2022-09-14 cs.RO
Meeting-Merging-Mission: A Multi-robot Coordinate Framework for Large-Scale Communication-Limited Exploration
Dji Co（大疆创新科技有限公司）；Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
这封信提出了一个完整的框架会议合并任务的多机器人探索下的通信限制。考虑到现实世界中通信带宽和距离的有限性，提出了一种轻量级的环境表示方法和一种高效的协作探索策略。对于较低的带宽，每个机器人利用特定的多面体来维护自由空间和超前沿信息（SFI）作为探索决策的来源。为了减少重复的探索，我们开发了一个基于任务的协议，驱动机器人共享收集到的信息在稳定的会合。我们还设计了一个完整的路径规划方案集中和分散的情况下。为了验证我们的框架是实用和通用的，我们提出了一个广泛的基准测试，并部署到多UGV和多无人机平台我们的系统。
2022-07-20 cs.RO
Distributed Reinforcement Learning for Robot Teams: A Review
National University of Singapore（新加坡国立大学）
审核目的：传感、驱动和计算方面的最新进展为由数百/数千个机器人组成的多机器人系统打开了大门，该系统在自动化制造、救灾、收获、最后一英里交付、港口/机场操作或搜索和救援方面具有广阔的应用前景。该社区利用无模型多智能体强化学习（MARL）为多机器人系统（MRS）设计高效、可扩展的控制器。这篇综述的目的是提供一个国家的最先进的分布式MARL多机器人合作的分析。最近的研究结果：分散MRS面临的基本挑战，如非平稳性和部分可观测性。建立在“集中培训，分散执行”的范式，最近的MARL方法包括独立学习，集中批评，价值分解和沟通学习的方法。合作行为通过人工智能基准和基本的现实世界机器人功能（如多机器人运动/路径规划）进行演示。摘要：本调查报告了围绕用于多机器人协作的去中心化无模型MARL和现有方法类别的挑战。我们提出了基准和机器人应用程序，并讨论了当前的研究开放途径。
2022-04-07 cs.AI cs.LG cs.MA
Heterogeneous Coalition Formation and Scheduling with Multi-Skilled Robots
Worcester Polytechnic Institute（伍斯特理工学院）
针对异构多机器人系统中多技能任务调度问题，提出两种集中式算法以形成动态联盟并调度机器人，其中一种保证最优但仅适用于小规模，另一种基于启发式可处理大规模且成本接近最优。
2023-06-20 cs.RO
A Multimodal Stochastic Planning Approach for Navigation and Multi-Robot Coordination
Johns Hopkins University（约翰霍普金斯大学）
本文提出一种基于采样的滚动时域多模态随机规划器，通过交叉熵方法优化多模态策略，提升鲁棒性与探索能力，可扩展至多机器人无碰撞规划，经数值模拟和硬件实验验证其在陷阱环境、多机器人避障中的效果及实时性。
2025-09-23 cs.RO
Continuous-time Gaussian Process Trajectory Generation for Multi-robot Formation via Probabilistic Inference
Harbin Institute of Technology（哈尔滨工业大学）
在本文中，我们扩展了著名的运动规划方法GPMP2的多机器人的情况下，产生一种新的集中式轨迹生成方法的多机器人编队。采用稀疏高斯过程模型将所有机器人的连续时间轨迹表示为有限数量的状态，由于稀疏性提高了计算效率。我们增加了约束，以保证个人之间的碰撞避免以及形成维护，然后所有的约束和运动学制定的因素图。通过引入一个全局规划器，我们提出的方法可以有效地生成轨迹的机器人团队，必须通过一个宽度变化的区域自适应编队变化。最后，我们提供了一个增量重新规划算法的实现，以证明我们提出的框架的在线操作的潜力。仿真实验和真实世界的实验表明，我们的方法的可行性，效率和可扩展性。
2021-07-30 cs.RO
Multi-Robot Path Deconfliction through Prioritization by Path Prospects
University of Cambridge（剑桥大学）；Lehigh University（理海大学）
这项工作涉及在混乱的环境中为移动机器人规划无冲突路径的问题。由于集中式，耦合规划算法是计算上难以处理的大量的机器人，我们考虑解耦规划，其中机器人计划他们的路径顺序的优先级。选择如何优先考虑机器人是一个关键因素。然而，最先进的优先级排序方法并没有对机器人的移动性与其环境之间的耦合进行建模。在本文中，我们提出了一个优先级规则，可以计算在线由每个机器人独立，并提供一致的，无冲突的路径计划。我们的创新是将机器人从当前位置到达目标的路径前景形式化。为此，我们考虑了轨迹的同源类的数量，并将其作为我们分散式路径规划算法中的优先级规则，每当任何机器人进入协商以消除路径规划冲突时。这个优先级规则保证了机器人集合的部分排序。我们进行模拟，比较我们的方法与五个基准，并表明它达到了最高的成功率（w.r.t.完整性），并且它在完工时间和流水时间目标之间取得了最佳平衡。
2019-08-06 cs.RO
Virtual Traffic Lights for Multi-Robot Navigation: Decentralized Planning with Centralized Conflict Resolution
Deakin University（德金大学）；National Transport Research Organisation (NTRO)（国家交通研究组织）
该研究提出结合去中心化路径规划与中心化冲突解决的混合多机器人协调框架，通过虚拟交通灯式的停止指令减少死锁，在仿真及真实四足机器人、Duckiebots实验中提升了导航成功率。
2025-11-11 cs.RO
Efficient Multi-Robot Exploration with Energy Constraint based on Optimal Transport Theory
New Mexico Institute of Mining and Technology（新墨西哥矿业与技术学院）
考虑多机器人系统的能量约束，提出了一种基于最优运输（OT）的高效多机器人探索问题。这个问题的效率意味着一组机器人（代理）如何覆盖给定的域，反映由密度分布表示的感兴趣区域的优先级，而不是简单地遵循预设的统一模式。为了实现一个有效的多机器人探索，最优运输理论，量化两个密度分布之间的距离作为一种工具，这也作为一种手段的性能测量。多机器人系统的能量约束，然后纳入基于OT的多机器人探索计划。所提出的方案是解耦的机器人动力学，拓宽了异构机器人平台的多机器人探索计划的适用性。不仅集中，而且分散的算法，以应付更现实的情况下，如代理之间的通信范围限制。为了衡量勘探效率，性能的上限开发的集中和分散的情况下，基于最优运输理论，这是计算上易于处理的，以及有效的。所提出的多机器人探索方案也适用于时变分布，其中期望给定参考分布的时空演化。为了验证所提出的方法，提供了多个仿真结果。
2020-09-02 cs.MA cs.RO cs.SY
Hydra-Multi: Collaborative Online Construction of 3D Scene Graphs with Multi-Robot Teams
Massachusetts Institute of Technology（麻省理工学院）
本文提出Hydra-Multi多机器人空间感知系统，通过增量融合、相对变换估计和回环校正实现在线协同构建3D场景图，并验证其在仿真、真实及异构团队中的准确性。
2023-04-26 cs.RO
Distributed Collision-free Protocol for AGVs in Industrial Environments
在本文中，我们提出了一个分散的协调算法的安全和有效的管理一组移动机器人在动态的工业环境中的预定义的路径。该算法是基于一个共享资源协议和重新规划策略。它被证明是保证有序的流量避免碰撞，死锁（失速情况）和活锁（代理移动，而不到达最终目的地）。该方法证明了资源的相互访问，同时给出了最大AGV数量的条件，以确保在系统演化过程中没有死锁。最后给出了验证局部活锁的条件。与分布式机器人系统（DRS）的模型一致，不需要集中式机制，同步时钟，共享内存或地面支持。一个本地机器人间的通信，基于标志牌，被认为是在一个小数目的空间相邻的机器人单元。
2011-01-12 cs.RO
Safe Multi-Robot Collaborative Transport Using Density Functions
Indian Institute of Technology Mandi（印度理工学院曼迪分校）；Clemson University（克莱姆森大学）
本文提出基于密度的分层MPC框架，使多台四足机器人仅凭初始和目标位姿协作推动物体，实现避障与目标收敛，并在MuJoCo中验证其优于基线方法。
2026-10-07 cs.RO
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
Ensuring Progress for Multiple Mobile Robots via Space Partitioning, Motion Rules, and Adaptively Centralized Conflict Resolution
Cornell University（康奈尔大学）；Rice University（莱斯大学）；Pashi Corp.（帕希公司）
在多个机器人必须在共享空间中协调的环境中，分散式方法允许以全局保证为代价进行解耦规划，而集中式方法则进行相反的权衡。这些解决方案做出了一系列假设-通常，所有机器人共享相同的规划策略。在这项工作中，我们提出了一个框架，确保所有机器人的进展，而不假设任何机器人的规划策略（1）生成一个分区的环境到“流”，“开放”和“通道”区域和（2）强加一套规则，机器人运动在这些地区。这些机器人运动规则通过自适应集中式协议来解决机器人之间的空间冲突，从而防止死锁。我们提出的框架，确保所有机器人的进步，没有一个网格样的离散化的环境或机器人通信，协调或合作的强烈要求。每个机器人都可以自由选择如何规划和协调自己，而不会受到其他机器人或机器人组的阻碍，只要他们在必要时遵守规则。我们描述了我们的空间划分和运动规则，证明了运动规则足以保证在分区环境中的进展，并在模拟多边形环境中演示了几种情况。这项工作取得了平衡之间的每个机器人的规划独立性和保证每个机器人总是可以达到任何目标在有限的时间。
2022-03-07 cs.RO
Distributed NeRF Learning for Collaborative Multi-Robot Perception
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；NVIDIA（英伟达）；University of California, Berkeley（加州大学伯克利分校）
本文提出一种分布式NeRF学习框架，使多机器人仅共享各自学习到的NeRF模型即可实现协作式场景建图，在降低通信开销的同时达到甚至超越集中式建图性能，并在稀疏视图场景中改善几何一致性。
2024-09-30 cs.CV cs.LG cs.RO
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下，提出了一种基于离策略多智能体强化学习（MARL）的多机器人社会感知高效协作规划器.我们采用基于时空图（TSG）的社会编码器，以更好地提取每个机器人和行人在其视野（FOV）的社会关系的重要性。此外，我们在多机器人RL框架中引入K步前瞻奖励设置，以避免机器人产生的侵略性，侵入性，短视和不自然的运动决策。此外，我们改进了传统的集中式评论家网络与多头全局注意力模块，更好地聚集不同机器人之间的局部观察信息，以指导个体的策略更新过程。最后，多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；Shanghai Institute of Intelligent Science and Technology, Tongji University（同济大学上海智能科学技术研究院）
针对动态环境下机器人群的任务分配优化问题，提出融合CTDE的LIA_MADDPG算法，通过LIA模块提升决策效率，实证表明其可无缝集成到多种MARL方法中，且在多维度性能上优于传统算法。
2024-11-29 cs.AI cs.MA cs.RO
Safe Multi-Robot Coordination via VLM-LLM Reasoning and Reachability Analysis
Technical University of Munich (TUM)（慕尼黑工业大学）；Heilbronn University of Applied Science（海尔布隆应用科学大学）
本文提出一种集中式安全感知M2M框架，利用VLM共享感知和LLM任务分配，结合zonotope可达性验证门，实现异构机器人团队的安全协调导航，确保语义推理与形式验证的严格分离。
2026-09-24 cs.AI cs.RO cs.SY
An Efficient Real-Time Planning Method for Swarm Robotics Based on an Optimal Virtual Tube
School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学）
本文提出结合集中式最优虚拟管规划与分布式控制的群体机器人轨迹规划框架，实现低计算量高频率重规划，融合多步与反应式规划的优势。
2026-04-24 cs.RO cs.SY eess.SY
AssemblyGrid v1: A Benchmark for Multi-Robot Production with Temporary Coalitions, Local Information, and Geometric Constraints
Hochschule für Technik und Wirtschaft Dresden – University of Applied Sciences（德累斯顿应用科学大学）
AssemblyGrid v1是一个多机器人生产基准，结合流程进展、局部信息、临时联盟和几何约束，通过三类工作负载和MARL实验验证了分散策略的有效性。
2026-09-16 cs.AI cs.RO
Clone Swarms: Learning to Predict and Control Multi-Robot Systems by Imitation
Arizona State University（亚利桑那州立大学）；Intel Corporation（英特尔公司）
在本文中，我们提出了SwarmNet -一个神经网络架构，可以学习预测和模仿行为的观察群体的代理集中的方式。在人工生成的群体运动数据上进行测试，该网络实现了高水平的预测准确性和模仿真实性。我们将我们的模型与以前的方法进行比较，为交互系统建模，并显示如何修改其他模型的组件逐渐接近我们的性能。最后，我们还讨论了SwarmNet的扩展，它可以处理机器人应用中经常出现的不确定性，噪声和不确定性环境。
2020-11-03 cs.AI cs.NE cs.RO
Distributed Visual-Inertial Cooperative Localization
University of California, Riverside（加州大学河滨分校）；University of Delaware（特拉华大学）
在本文中，我们提出了一个一致的和分布式的状态估计多机器人合作定位（CL），有效地融合环境特征和跨时间和机器人的闭环约束。特别是，我们利用协方差交集（CI），让每个机器人只估计自己的状态和自协方差，并补偿机器人之间的未知相关性。两种新的多机器人方法，利用共同的环境SLAM功能的介绍和评估的准确性和效率。此外，我们适应CI，使漂移免费估计通过使用闭环测量约束其他机器人的历史姿势，而不会显着增加计算成本。所提出的分布式CL估计验证其非实时集中式对应广泛的模拟和现实世界的实验。
2021-08-17 cs.CV 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
Learning Safe Control for Multi-Robot Systems: Methods, Verification, and Open Challenges
Massachusetts Institute of Technology（麻省理工学院）
本文综述了多机器人系统基于学习的安全控制设计方法，涵盖屏蔽方法、控制障碍证书学习及多智能体强化学习，并探讨了验证工具与未来开放挑战。
2023-11-22 cs.MA cs.RO cs.SY
Autonomous Intruder Detection Using a ROS-Based Multi-Robot System Equipped with 2D-LiDAR Sensors
North South University（北南大学）
自主移动机器人在机器人安全平台中的应用正成为一个有前途的创新领域，因为它们具有通过广泛的传感器感知潜在干扰的自适应能力。研究人员已经提出了系统，无论是专注于利用一个单一的移动机器人或合作的多个机器人的系统。然而，所提出的工作中，特别是在多机器人系统领域中，很少完全依赖于LiDAR传感器来实现各种任务。当机器人上的其他传感器在特定条件下无法提供峰值性能时，这一点至关重要，例如相机在没有光线的情况下工作。本文提出了一种多机器人系统，开发使用ROS（机器人操作系统）入侵者检测在一个单一的范围传感器每个机器人的情况下，集中处理所有机器人的检测，我们的中央机器人MIDNet（多入侵者检测网络）。这项工作的目的是提供一个自主的多机器人安全解决方案，在没有人类人员的仓库。
2020-11-07 cs.CV cs.MA cs.RO
Behavioral-based circular formation control for robot swarms
University of Granada（格拉纳达大学）
本文提出一种基于行为的分布式编队控制方法，通过超车规则、引导向量场和自适应控制障碍函数，使无制动能力的机器人集群在凸形路径上安全环绕运动，并验证其在高密度场景下的有效性。
2024-02-21 cs.RO cs.SY eess.SY
Consensus-based Resource Scheduling for Collaborative Multi-Robot Tasks
School of Computing, University of Georgia（佐治亚大学计算机学院）
本文提出将边缘计算与共识调度相结合的去中心化方法，用于多机器人协作任务，通过效用最大化选择资源，实现更低延迟、更高吞吐量和更好帧率。
2023-11-16 cs.NI cs.RO
Multi-Robot Patrol Algorithm with Distributed Coordination and Consciousness of the Base Station's Situation Awareness
Yokohama National University（横滨国立大学）；Graduate School of Engineering Science（工程科学研究院）；Faculty of Environment and Information Sciences（环境与信息科学学院）
针对多机器人巡逻缺乏人类可预测性的问题，本文提出分布式 Local Reactive（LR）算法，通过局部目标选择、成果共享与基站报告协调机器人，在巡逻效率和基站态势感知上均优于现有算法。
2023-10-10 cs.MA cs.RO
Exploiting Local Observations for Robust Robot Learning
Aalto University（阿尔托大学）；University of Turku（图尔库大学）；ETH Zurich（苏黎世联邦理工学院）
该研究系统探究了局部观测下的多智能体强化学习相较于集中式控制在机器人系统中的鲁棒性优势，通过理论推导与实验验证了其性能相当且抗扰性更强，为复杂机器人控制提供了实用替代方案。
2025-07-31 cs.RO
Fragile object transportation by a multi-robot system in an unknown environment using a semi-decentralized control approach
TCS Research（塔塔咨询服务公司研究院）；Indian Institute of Science（印度科学学院）；Jadavpur University（贾达普大学）
本文提出了一种半分散控制技术，用于在不确定的遮挡环境中，将一个易碎物体运送到一个目的地的机器人群。初始部分（阶段1）包括一个集中控制策略，用于在代理之间创建一个特定的编队，以便待运输的物体可以正确地定位在系统的顶部。我们提出了一种新的三角形包装计划融合了圆形区域为基础的形状控制方法，用于创建一个刚性的机器人之间的配置。在后一部分（阶段2），群体系统需要传达的对象到目的地在一个分散的方式采用基于区域的形状控制方法。仿真结果以及比较研究表明，我们提出的方案的有效性。
2022-09-12 cs.RO cs.SY eess.SY
Quantum Multi-Agent Actor-Critic Neural Networks for Internet-Connected Multi-Robot Coordination in Smart Factory Management
Korea University（高丽大学）；Ajou University（阿久大学）
作为学术界和工业界感兴趣的最新领域之一，量子计算已经引起了极大的关注。在量子计算的各种主题中，变分量子线路（VQC）因其进行量子深度强化学习（QRL）的能力而受到关注。本文验证了QRL的潜力，这将通过从QRL实现量子多智能体强化学习（QMARL）来进一步实现，特别是在智能工厂应用中的互联网连接的自主多机器人控制和协调。然而，由于经典MARL的非平稳性，扩展并不简单。为了解决这一问题，提出了在互联网连接下的集中培训和分散执行（CTDE）QMARL框架。一个智能工厂环境与物联网（IoT）为基础的多个代理被用来显示所提出的算法的有效性。仿真结果表明，所提出的基于QMARL的自主多机器人控制和协调性能优于其他框架。
2023-01-04 cs.MA cs.RO quant-ph
Efficient Real-World Online Reinforcement Learning for Robot Manipulation via Centralized Training and Critic Decomposition
Istituto Italiano di Tecnologia（意大利技术研究院）；University of Genova（热那亚大学）；TU Delft（代尔夫特理工大学）
本文针对真实世界机器人操作在线强化学习的局限，提出结合CTDE与HRA的框架，在多任务实验中大幅提升了样本效率与任务成功率。
2026-08-11 cs.RO
