Traversing Supervisor Problem: An Approximately Optimal Approach to Multi-Robot Assistance
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
多年来，部署在现场应用中的多机器人系统的数量急剧增加。尽管最近的导航算法的进步，自主机器人经常遇到具有挑战性的情况下，控制策略失败，需要人类的协助，以恢复机器人的任务。人机协作可以帮助实现高水平的自主性，但由一个人类主管同时监控和管理多个机器人仍然是一个具有挑战性的问题。我们的目标是帮助主管决定哪些机器人以何种顺序协助，从而使团队绩效最大化。我们将不确定环境中的一对多监督问题表示为动态图遍历问题。提出了一种基于静态图上的利润旅游问题的近似算法来求解原问题，并对近似误差进行了有界性分析。我们的案例研究在一个模拟的自主农场表现出优越的团队性能比基线方法在任务完成时间和人类的工作时间，我们的方法可以实时部署的机器人车队规模适中。
2022-05-03 cs.MA cs.RO cs.SY
Complete Test of Synthesised Safety Supervisors for Robots and Autonomous Systems
University of Bremen（不来梅大学）
验证的控制器合成使用世界模型，其包括人类、机器人、其它设备和待合成的控制器的所有潜在行为。世界模型能够进行定量风险评估，例如，通过随机模型检验。这样的模型描述了一系列控制器行为，其中一些行为（如果正确实施）可以保证现实世界中的总体风险是可以接受的，前提是已经做出了安全的随机假设。然后，综合选择一个可接受的风险控制器的行为。然而，由于跨越抽象、形式主义和工具边界，机器人和自主系统的验证合成必须伴随着严格的测试。一般来说，安全关键系统的标准和法规要求测试作为关键要素，以在投入使用之前获得认证信用。这篇正在进行中的论文提出了一种方法，用于对综合监督控制器进行完整的测试，这些控制器在人机协作和自动驾驶等领域实施安全属性。控制器代码由所选的控制器行为生成。然而，代码生成器即使不是不可行，也很难以正式和全面的方式进行验证。相反，利用测试，生成一个抽象的测试引用，一个符号有限状态机，具有比代码语义更简单的语义。从这个参考，一个完整的测试套件的推导和应用，以证明合成的抽象测试参考和生成的具体控制器代码运行在控制系统平台上的观测等价性。
2021-10-25 cs.RO cs.SE
Safe Balancing Control of a Soft Legged Robot
Boston University（波士顿大学）；Carnegie Mellon University（卡内基梅隆大学）
由软材料制成的足式机器人通常被认为比刚性机器人更安全，更强大的环境相互作用。然而，与刚性运动相比，软体机器人的这种激励特征需要更严格的开发。本文介绍了一种柔性足式机器人平台Horton，以及一种在其操作的某些方面具有安全保证的反馈控制系统。该机器人是使用一系列柔软的肢体，由热形状记忆合金（SMA）丝肌肉驱动，其位置和致动器温度的传感器。一个监督控制方案保持安全的致动器状态，在操作过程中的一个单独的控制器的机器人的姿势。实验表明，霍顿可以抬起腿并保持平衡，这是运动的前兆。在平衡过程中，通过人机交互测试在硬件中验证监督程序，使所有SMA肌肉保持在温度阈值以下。这项工作是第一次演示的安全验证反馈系统的任何软足式机器人。
2022-09-27 cs.RO
Communication-Aware Heterogeneous Graph Learning for Decentralized Multi-Human Multi-Robot Task Allocation
提出CommHG框架，通过通感异构图和协作多智能体强化学习联合优化去中心化多人类多机器人任务分配与通信，实验显示在多达16机器人、6人类、112任务规模下优于最强基线。
2026-09-29 cs.RO
Trust Repairing for Human-Swarm Cooperation inDynamic Task Response
人-无人机合作中出现紧急情况，例如犯罪活动跟踪和紧急地面援助需求。应急响应通常对多无人机系统的运动控制有很高的要求，既要保持团队的性能，又要保持团队的行为。然而，无人机群在现实环境中执行任务时，由于系统可靠性、环境干扰等现实因素的影响，群中的部分机器人会出现群集速度慢、航向错误、空间关系差等异常行为。同时，人与无人机群之间的不正确信任会将故障机器人的异常行为映射到整个无人机群，并要求人类管理者进行耗时的干预，破坏无人机群对动态任务的响应，甚至由于累积错误而导致任务失败。正确反映人与无人机群之间的信任关系，重建信任关系，改善不正确信任带来的性能问题。我们提出了一个动态的信任修复模型。动态信任模型针对无人机监控系统，可以帮助无人机群减少故障无人机对无人机群性能的负面影响，获得灵活的反应和稳定的无人机监控任务性能。实验结果表明，信任模型可以提高群体对动态任务的响应性能，重新获得人类的信任。
2020-07-06 cs.RO
LazyDAgger: Reducing Context Switching in Interactive Imitation Learning
University of California, Berkeley（加州大学伯克利分校）
在机器人学习自动化任务时的纠正干预为人类监督者提供了一种直观的方法来帮助机器人并传达有关期望行为的信息。然而，这些干预可能会给人类监督者带来很大的负担，因为每个干预都会中断人类正在进行的其他工作，在监督者和自主控制之间的每个上下文切换都会引起延迟，并且需要时间来执行。我们提出了LazyDagger，它扩展了交互式模仿学习（IL）算法SafeDagger，以减少管理员和自主控制之间的上下文切换。我们发现，LazyDagger在学习和执行过程中提高了学习策略的性能和鲁棒性，同时限制了管理员的负担。模拟实验表明，LazyDagger可以减少上下文切换的平均60%以上的SafeDagger 3个连续的控制任务，同时保持国家的最先进的政策性能。在ABB YuMi机器人的物理织物操作实验中，LazyDagger将上下文切换减少了60%，同时在执行时的成功率比SafeDagger高60%。
2021-07-20 cs.AI cs.RO
Meta Preference Learning for Fast User Adaptation in Human-Supervisory Multi-Robot Deployments
Kent State University（肯特州立大学）；College of Aeronautics and Engineering（航空航天与工程学院）；Robotics Institute（机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
随着多机器人系统（MRS）被广泛应用于各种任务中，例如自然灾害响应和社会安全，人们热切地期望MRS能够无处不在，使得普通用户无需大量训练就可以容易地操作。然而，人类对任务性能和安全性之间的平衡有各种偏好，对MRS控制提出了不同的要求。不遵守偏好会使人们在操作中感到困难，并降低人们使用MRS的意愿。因此，为了提高社会接受度以及性能，迫切需要在触发人类校正之前根据人类偏好调整MRS行为，这增加了认知负荷。提出了一种新的Meta Preference Learning（MPL）方法，使MRS能够快速适应用户偏好。基于Meta学习机制的MPL可以从有限的指令中快速评估人的偏好，然后，基于神经网络的偏好模型调整MRS行为以适应偏好。为了验证方法的有效性，设计了“一个MRS在地震灾害现场搜索受害者”的任务场景; 20个人类用户参与识别偏好为“积极”、“中等”、“保守”;基于用户指导和领域知识，模拟了大约20，000个偏好，以涵盖与“任务质量”、“任务进度”、“机器人安全”相关的不同操作。MPL在偏好适应中的有效性通过减少人类干预的持续时间和频率来验证。
2021-03-14 cs.RO
Optimal Robot Path Planning In a Collaborative Human-Robot Team with Intermittent Human Availability
University of Waterloo（滑铁卢大学）
本文研究人类间歇可用的人机协作场景下机器人最优路径规划问题，提出基于预算和关键出发时间的新方法，在保证最优解的同时扩展了问题规模，并在城市路网上验证了其优于基线算法的性能。
2023-07-10 cs.RO
When To Seek Help: Trust-Aware Assistance Seeking in Human-Supervised Autonomy
Michigan State University（密歇根州立大学）；United States Military Academy（美国军事学院）
该研究通过POMDP框架设计信任感知的机器人协助寻求策略，经两组人机实验验证其优于信任无关策略，揭示低信任及高复杂度任务下人类更易干预，且机器人请求协助可提升人类信任。
2025-11-11 cs.RO
Human-Robot Red Teaming for Safety-Aware Reasoning
University of Michigan（密歇根大学）；NASA Johnson Space Center（NASA约翰逊航天中心）
针对机器人安全任务执行研究不足的问题，提出人机红队演练范式，通过人机协作探索危险空间，实现安全感知推理，并在月球栖息地和家庭环境中验证了其可行性与信任促进效果。
2025-08-02 cs.AI cs.RO
Heterogeneous robot teams with unified perception and autonomy: How Team CSIRO Data61 tied for the top score at the DARPA Subterranean Challenge
CSIRO（澳大利亚联邦科学与工业研究组织）
DARPA地下挑战赛旨在让参赛者开发和部署自主机器人团队，以探索困难的未知地下环境。这些子领域分为人造隧道、地下城市基础设施和天然洞穴，每个子领域都对机器人的感知、运动、导航和自主性提出了许多挑战。这些问题包括无线通信性能下降、烟雾造成的能见度差、狭窄的通道和门道、杂乱、地面不平、松软的地形、楼梯、壁架、悬挑、滴水以及移动阻塞路径的动态障碍物等。在2021年9月举行的挑战赛决赛中，课程包括所有三个子领域。机器人团队的任务是在有限的时间内对一些预定义的人工制品进行清道夫狩猎。一旦机器人进入课程，只有一名人类主管被允许与他们交流。当准确的检测和它们的位置被传送回评分服务器时，得分。共有8支球队参加了在美国肯塔基州路易斯维尔举行的Mega Cavern决赛。本文介绍了CSIRO Data61团队部署的系统，该团队在比赛中获得了最高分并获得了第二名。
2023-02-26 cs.RO
Trust-Aware Planning: Modeling Trust Evolution in Iterated Human-Robot Interaction
Arizona State University（亚利桑那州立大学）；Colorado State University（科罗拉多州立大学）
团队成员之间的信任是任何成功合作的基本要求。因此，建立和保持团队成员的信任成为任何成员的核心责任，不仅要成功地参与任务，还要确保团队实现目标。信任管理的问题在混合的人类-机器人团队中特别具有挑战性，其中人类和机器人可能对手头的任务有不同的模型，因此可能对当前的行动过程有不同的期望，从而迫使机器人专注于代价高昂的可解释行为。我们提出了一个计算模型捕获和调制的信任，在这种迭代的人机交互设置，其中的人采取了监督的作用。在我们的模型中，机器人将人类的信任和他们对机器人的期望整合到其规划过程中，以建立和维持交互范围内的信任。通过建立所需的信任水平，机器人可以通过避免明确的解释或可解释的行为来专注于最大化团队目标，而不必担心人类主管监视和干预以阻止他们可能不一定理解的行为。我们模型的推理信任水平作为一个Meta推理过程中的个人规划任务。我们还通过人体实验验证了我们的模型。
2023-03-05 cs.AI cs.RO
PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination
Shanghai Innovation Institute（上海创新研究院）；Archon Robotics（Archon机器人公司）；The University of Hong Kong（香港大学）；NVIDIA（英伟达公司）
研究人形乒乓球双打需解决交替击球、碰撞风险等问题，提出PingpongDuo分层框架，仿真与现实实验验证其提升回球成功率、实现快速定位与连续击球的性能。
2026-10-15 cs.RO
Quadcopter Team Configurable Motion Guided by a Quadruped
University of Arizona（亚利桑那大学）
本文研究由四足机器人引导的四旋翼无人机团队可配置协调，提出基于非奇异Jacobian矩阵的二维仿射变换模型实现无碰撞安全导航，并通过全局与局部坐标系两种方法进行实验评估。
2024-03-20 cs.RO
RANT: Ant-Inspired Multi-Robot Rainforest Exploration Using Particle Filter Localisation and Virtual Pheromone Coordination
RANT通过粒子滤波定位和虚拟信息素协调，实现多机器人在嘈杂环境中的高效雨林探索，提升热点识别与地图构建效率。
2026-02-10 cs.RO
Dialogue Possibilities between a Human Supervisor and UAM Air Traffic Management: Route Alteration
SK Telecom（SK电信）；Chodang University（草堂大学）
针对城市空中交通绕飞管理，本文提出基于Answer Set Programming与非单调推理的人机两阶段对话方法，以快速规划安全高效航线，并通过两个仿真场景验证其稳健性与有效性。
2023-08-11 cs.AI cs.RO
Real-Time Human-Adaptive Task Allocation for Multi-Human Multi-Robot Supervision
Sogang University（西江大学）
提出一种考虑人类因素的贪婪任务分配方法，动态调节监督能力以平衡心理工作量，防止超负荷，提升多人类多机器人监督场景中的团队绩效。
2026-10-02 cs.RO
Safety-critical Motion Planning for Collaborative Legged Loco-Manipulation over Discrete Terrain
University of Southern California（南加州大学）
本研究提出一种基于全局与去中心化模型预测控制及自适应全身控制器的安全运动规划方法，解决腿足机器人在离散地形上协同操作未知载荷并避障的问题，并在仿真与硬件实验中验证了其有效性。
2024-10-14 cs.RO
Decentralized Nonlinear Model Predictive Control for Safe Collision Avoidance in Quadrotor Teams with Limited Detection Range
New York University, Tandon School of Engineering（纽约大学坦登工程学院）
针对多四旋翼系统在传感与通信受限下的安全协调问题，提出集成指数控制障碍函数的去中心化非线性模型预测控制方法，提供检测范围最小下界保证，并通过仿真和实验验证其有效性与实用性。
2024-09-25 cs.MA cs.RO
Safety-Critical and Distributed Nonlinear Predictive Controllers for Teams of Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对多四足机器人协同运动的安全保障难题，提出融合CBF与一致性协议的分布式NMPC分层控制框架，经仿真与硬件实验验证，其成功率比传统无CBF约束的NMPC高27.89%。
2025-03-18 cs.RO math.OC
Before Humans Join the Team: Diagnosing Coordination Failures in Healthcare Robot Team Simulation
Cornell Tech（康奈尔科技校区）；Department of Information Science, Cornell University（康奈尔大学信息科学系）；University of Maryland, College Park（马里兰大学帕克分校）；Imperial College London（伦敦帝国学院）
本文通过模拟方法研究医疗机器人团队的协调失败问题，发现团队结构是协调的主要瓶颈，并提出安全的人机协作设计方法。
2026-04-07 cs.AI cs.MA cs.RO
Safe Coordination of Human-Robot Firefighting Teams
Georgia Institute of Technology（佐治亚理工学院）
野火具有破坏性，对受害者的生命和自然资源造成大规模、不可逆转的损害。研究人员提议委托无人机（无人机）为消防员提供实时跟踪信息;然而，这些无人机无法推理火灾的轨迹，包括当前位置、测量结果和不确定性以及传播情况。我们提出了一个模型预测，概率安全的分布式控制算法，人机协作在野火战斗。所提出的算法克服了现有工作的局限性，明确估计潜在的火灾传播动力学，使智能，时间延长的无人机协调支持地面人类消防员。我们推导出一个新的分析界限，使无人机分配他们的资源，并提供了一个概率保证人类的安全，同时保持无人机的能力，以涵盖整个火灾。
2019-03-16 cs.AI cs.HC cs.MA
PRO-SPECT: Probabilistically Safe Scalable Planning for Energy-Aware Coordinated UAV-UGV Teams in Stochastic Environments
Khoury Department of Computer Sciences at Northeastern University（东北大学Khoury计算机科学系）；The Charles Stark Draper Laboratory, Inc.（查尔斯·斯塔克·德雷珀实验室公司）；Department of Mechanical and Industrial Engineering at Northeastern University（东北大学机械与工业工程系）；Departments of Mechanical and Industrial Engineering and Electrical and Computer Engineering at Northeastern University（东北大学机械与工业工程系和电气与计算机工程系）
本文提出PRO-SPECT算法，用于在随机环境中实现无人机和无人地面车辆团队的能量感知规划，通过概率安全约束确保任务成功，支持离线和在线重新规划。
2026-07-21 cs.MA cs.RO
CARE: Cooperative Autonomy for Resilience and Efficiency of Robot Teams for Complete Coverage of Unknown Environments under Robot Failures
本文提出了一种分布式算法CARE，用于解决未知环境中多机器人覆盖率路径规划问题，该算法在机器人故障情况下提供鲁棒性并提高整体效率，通过事件驱动的重新规划实现任务重新分配，实验结果表明其在故障情况下能够实现完全覆盖、减少覆盖时间和加快目标发现。
2019-05-29 cs.MA cs.RO cs.SY
ADMM-Based Safety-Critical Distributed NMPC for Cooperative Transportation by Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）
研究四足机器人协同运输的安全关键型分布式控制框架，核心方法是用ADMM分解优化问题，结合高阶控制障碍函数。相比集中式NMPC，减少求解时间，保持性能，消融研究显示对通信延迟鲁棒，能改善负载跟踪与协调。
2026-07-21 cs.RO math.OC
Learning of Robot Safety Policies via Adversarial Synthetic Scenarios
National Research Institute of Automation and Applied Mathematics（国家自动化与应用数学研究所）
提出一个基于对抗性游戏的框架，通过红蓝两队对抗生成危险场景并迭代优化安全策略，以高效发现高风险边缘案例。
2026-06-04 cs.AI cs.RO
Extended Reality as a Mediation Layer for Situated Human Control in Human-Robot Teaming
Coburg University of Applied Sciences and Arts（科堡应用科学与艺术大学）；University of Cambridge（剑桥大学）；University of Birmingham（伯明翰大学）
研究探讨扩展现实在人机协作中作为情境化人类控制中介层的作用，通过床边护理等场景阐述观点，确定四种中介功能和六个设计维度，为使机器人自主性在动态环境中更具操作性和问责性的XR系统规划研究议程。
2026-07-29 cs.AI cs.HC cs.RO
Safe and Scalable Multi-Drone Payload Transport via CBF-based Reinforcement Learning with Zero-Shot Sim-to-Real Transfer
Reliable Autonomous Systems Lab, Massachusetts Institute of Technology（可靠自主系统实验室，麻省理工学院）
研究多无人机载荷运输问题，提出基于学习的框架，引入二维抽象，用离散图控制障碍函数近端策略优化训练全分布式策略，实现零样本模拟到现实的迁移，能在不同团队规模和任务场景泛化，在动态环境安全运行。
2026-07-24 cs.MA cs.RO cs.SY
