Improved Discrete RRT for Coordinated Multi-robot Planning
Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague（捷克理工大学信息学、机器人与控制论研究所）；Czech Technical University in Prague（捷克理工大学）
本文讨论了一个移动机器人的车队的协调问题-的问题，找到一个最佳的一组无碰撞的轨迹在车队中的个人机器人。在过去的几十年中，已经引入了许多方法，但其中少数是实际适用的，即快速，产生接近最优的解决方案，并完成。我们提出了一种新的概率方法的基础上，快速探索随机树算法（RRT）显着提高其多机器人的离散环境的变体。实验结果表明，所提出的方法是足够快的解决问题，数十个机器人在几秒钟内。尽管由该方法生成的解决方案比（ter Mors等人，2010年），它解决了terMors算法失败的问题。
2019-01-22 cs.RO
Multi-Robot Coordinated Planning in Confined Environments under Kinematic Constraints
Virginia Tech（弗吉尼亚理工学院）；University of Maryland（马里兰大学）
我们调查的问题，多机器人协调规划的环境中，机器人可能要在彼此接近的操作。我们寻求计算效率高的规划者，以确保安全的路径和遵守运动学约束。我们扩展了中央规划dRRT* 与我们的变体，快速dRRT（fdRRT），目的是在紧张的环境中使用，导致高度的机器人之间的耦合。经验表明，我们的算法实现了计算时间和解决方案质量之间的权衡，特别是在紧张的环境中。
2019-10-07 cs.MA cs.RO
Computing Coordinated Motion Plans for Robot Swarms: The CG:SHOP Challenge 2021
TU Braunschweig（布伦瑞克工业大学）；Stony Brook University（石溪大学）
我们给出了2021年计算几何挑战赛的概述，该挑战赛的目标是通过计算n个像素形状物体的集合S从给定的起始配置到期望的目标配置的无碰撞轨迹族来优化协调一组机器人的问题。
2021-03-29 cs.CG cs.RO
Autonomous Oil Spill Response Through Liquid Neural Trajectory Modeling and Coordinated Marine Robotics
Swarm \& AI Lab (SAIL), Hatter Department of Marine Technologies, Leon H. Charney School of Marine Sciences, University of Haifa, 199 Aba Khoushy Ave, Mount Carmel, Haifa 3498838, Israel
本文提出将MOOS-IvP多智能体群体机器人与液态时间常数神经网络结合，用于溢油轨迹实时预测与协同应急，并在Deepwater Horizon数据上以0.96空间精度超越LSTM方法23%。
2025-08-17 cs.RO
Intrinsic-Motivation Multi-Robot Social Formation Navigation with Coordinated Exploration
School of Computer Science and Technology（计算机科学与技术学院）；Wuhan University of Science and Technology（武汉科技大学）；Hubei Province Key Laboratory of Intelligent Information Processing（湖北省智能信息处理重点实验室）
本文提出了一种基于内在动机的多机器人协调探索RL算法，通过双采样模式和双时间尺度更新规则提升导航策略与奖励表示，实现更高效的社交编队导航性能。
2025-12-16 cs.AI cs.RO
Hypergraph-based Coordinated Task Allocation and Socially-aware Navigation for Multi-Robot Systems
Purdue University（普渡大学）
本文提出Hyper-SAMARL，一种基于超图和多智能体强化学习的多机器人任务分配与社会感知导航框架，通过超图扩散机制建模人机环境动态，在模拟实验中优于基线方法。
2025-03-07 cs.MA cs.RO
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering（先进科学与工程研究生院）；Hiroshima University（广岛大学）
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题，提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法，并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
COMRES-VLM: Coordinated Multi-Robot Exploration and Search using Vision Language Models
COMRES-VLM通过视觉语言模型实现多机器人系统的协同探索与搜索，提升探索效率和目标物体搜索性能。
2026-03-01 cs.AI cs.MA cs.RO
Autonomous Multi-Robot Exploration Strategies for 3D Environments with Fire Detection Capabilitie
College of Engineering University of Washington, Seattle, USA
本文综述了面向建筑探索与火灾探测的自主多机器人系统在2D/3D环境中的探索策略，提出基于OctoMap和势场避障的模块化定位、建图与轨迹规划方法，并展望了去中心化建图、多无人机协同和时变环境适应等未来方向。
2024-11-24 cs.RO
Few-Shot Demonstration-Driven Task Coordination and Trajectory Execution for Multi-Robot Systems
Purdue University（普渡大学）；Astemo Americas, Inc.（Astemo美洲公司）；Indiana University Bloomington（印第安纳大学布卢明顿分校）
研究如何让多机器人系统从少量示范中学习协调行为，核心方法是将时间协调与空间轨迹合成解耦，主要贡献是提出DDACE框架，提高少样本数据效率与轨迹一致性。
2026-07-07 cs.RO
Together We Rise: Optimizing Real-Time Multi-Robot Task Allocation using Coordinated Heterogeneous Plays
TCS Research（塔塔咨询服务研究中心）
针对动态仓库中的实时多机器人任务分配问题，提出双智能体强化学习框架MRTAgent，结合改进LQR控制器，在支持连续运动的同时优化任务分配与机器人选择，以最小化行驶距离和延迟。
2025-02-22 cs.AI cs.LG cs.MA
DELIVER: A System for LLM-Guided Coordinated Multi-Robot Pickup and Delivery using Voronoi-Based Relay Planning
Department of Mechanical Engineering, Temple University（机械工程系， Temple 大学）
本研究提出由自然语言驱动的多机器人协同取件配送框架DELIVER，整合大模型解析、Voronoi分区、中继规划与状态机管控，经仿真和硬件验证，可降低单智能体工作量最高55%，具备良好可扩展性。
2025-08-26 cs.MA cs.RO
Exact Fusion and Coordinated Exploration in Multi-Robot Active Inference
Northeastern University（东北大学）；University of California, Irvine（加州大学尔湾分校）；U.S. Department of Homeland Security（美国国土安全部）；Oracle Corporation（甲骨文公司）
针对多机器人主动推断中融合与规划阶段的重复计数误差，提出通过共享自然参数添加证据增量实现精确融合，并采用顺序承诺协调探索，以线性成本逼近集中式规划性能。
2026-09-16 cs.MA cs.RO
Coordination and Machine Learning in Multi-Robot Systems: Applications in Robotic Soccer
本文综述AI、多智能体协调与深度强化学习在机器人足球中的应用，介绍RoboCup挑战及FCPortugal项目成果，提出优化技能与团队协作的新算法，并在Simulation 3D联赛夺冠。
2023-12-26 cs.RO
A Swarm-Coordinated Multi-Robot System for Early Stress Detection in Agricultural Rows Using Multimodal Leaf Sensing
Delhi Public School Vasant Kunj（瓦桑特昆吉德里公立学校）；University of Delhi（德里大学）；On My Own Technology Pvt. Ltd（On My Own Technology私人有限公司）
本文提出CropSentry，一种低成本多机器人系统，通过多模态叶片感知逐行监测作物胁迫，实现84.12%分类准确率，为中小农户提供可负担的早期胁迫检测方案。
2026-10-07 cs.AI cs.RO
Coordinated Multi-Robot Trajectory Tracking Control over Sampled Communication
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；IRISA（雷恩信息与自动化研究所）；University of Padova（帕多瓦大学）；LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）；University of Twente（特文特大学）
针对采样通信下多机器人协同轨迹跟踪问题，提出采样比例反馈与连续时间前馈联合设计的逆运动学控制器，给出稳定性相关闭式表达式，仿真验证并与集中式方法对比，性能相当。
2023-01-13 cs.MA cs.RO cs.SY
Music-driven Robot Swarm Painting
Department of Electrical and Computer Engineering, University of Waterloo（电气与计算机工程系，滑铁卢大学）
本文提出一种新颖的机器人集群控制框架，利用异构覆盖策略将音乐输入转化为绘画，并在仿真和配备LED灯的真实机器人上验证了其光绘有效性。
2025-05-31 cs.RO
Learning Augmented, Multi-Robot Long-Horizon Navigation in Partially Mapped Environments
George Mason University（乔治梅森大学）
我们提出了一种新的方法，在一个结构化的，未知的环境中，通过预测未知空间的统计数据的多机器人团队的有效和可靠的目标导向的长视野导航。基于最近在不确定性下基于学习增强模型的规划工作，我们引入了一个高级别的状态和动作抽象，使我们能够将具有挑战性的Dec-POMDP近似为易于处理的随机MDP。我们的多机器人学习子目标规划器（MR-LSP）指导代理对更有可能达到看不见的目标的区域进行协调探索。我们证明了对其他多机器人策略的成本改善;在模拟的办公室环境中，我们表明，我们的方法节省了13.29%（2个机器人）和4.6%（3个机器人）的平均成本与标准的非学习乐观规划和学习知情的基线。
2023-03-29 cs.RO
Efficiently Identifying Hotspots in a Spatially Varying Field with Multiple Robots
本文提出利用移动传感器识别环境热点的单机器人和去中心化多机器人算法，引入无需精确高斯过程超参数的自适应方法，结合Voronoi划分和蒙特卡洛树搜索进行路径规划，实验证明超参数精确估计对热点检测非必需，可简化环境监测。
2023-09-14 cs.RO
The Robotarium: A remotely accessible swarm robotics research testbed
Georgia Institute of Technology（佐治亚理工学院）
本文介绍了Robotarium -远程访问，多机器人研究设施。Robotarium背后的推动力是多机器人测试台构成了多机器人研究周期中不可或缺的一部分，但它们的开发，操作和维护成本高昂，复杂且耗时。这些资源限制反过来又限制了大量研究人员和学生的访问，这就是Robotarium通过为用户提供远程访问最先进的多机器人测试设施而进行的补救。本文详细介绍了机器人的设计和操作，并讨论了复杂的硬件远程访问时必须考虑的因素。特别是，安全性必须在设计阶段就已经内置到系统中，而不会过度限制用户可以上传和执行的协调控制程序，这需要具有可证明性能保证的微创安全例程。
2016-09-15 cs.RO
Safe, Remote-Access Swarm Robotics Research on the Robotarium
Georgia Institute of Technology（佐治亚理工学院）
本文介绍了Robotarium -一个远程访问，多机器人研究设施的发展。Robotarium背后的推动力是多机器人测试台构成了多智能体研究周期的一个不可或缺的组成部分，但它们的开发，操作和维护成本高昂，复杂且耗时。这些资源限制反过来又限制了大量研究人员和学生的访问，这就是Robotarium通过为用户提供远程访问最先进的多机器人测试设施而进行的补救。本文详细介绍了Robotarium的设计和操作，以及连接这些特殊的考虑因素时，必须采取复杂的硬件远程访问。特别是，安全性必须在设计阶段就已经内置的，而不过度限制用户可以上传和执行哪些协调控制程序，这需要具有可证明的性能保证的微创安全例程。
2016-04-03 cs.RO
Provably Safe and Deadlock-Free Execution of Multi-Robot Plans under Delaying Disturbances
Massachusetts Institute of Technology（麻省理工学院）
多机器人系统中的一个长期挑战是在机器人受到干扰的环境中可靠地协调多个机器人的运动的能力。我们考虑的干扰，迫使机器人暂时停止，并延迟其沿其计划轨迹的前进，可用于建模，例如，路过的人类，机器人必须屈服。虽然反应式避碰方法经常用于这种情况下，它们可能会导致机器人之间的死锁。我们设计了一个多机器人的控制策略，执行协调的轨迹计算的多机器人轨迹规划器，并给出了一个证明，该策略是安全的，无死锁，即使机器人受到延迟干扰。我们的模拟结果表明，所提出的策略规模显着更好的干扰强度比天真的活力保持方法。实验结果进一步证实了所提出的方法是更可靠的，也更有效的比国家的最先进的反应技术。
2016-03-28 cs.RO
Decentralised Intelligence, Surveillance, and Reconnaissance in Unknown Environments with Heterogeneous Multi-Robot Systems
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group, Department of Defence（国防部国防科学与技术集团）；Mission Systems Pty. Ltd.（任务系统私人有限公司）
我们提出了一个分散的，异构的多机器人系统在未知的环境中执行情报，监视和侦察（ISR）的设计和实施。该团队由功能专业化的机器人组成，这些机器人收集信息和执行特定任务的其他机器人，并进行协调，以实现在未知环境中的同时探索和开发。我们提出了一个实际的实现这样一个系统，包括分散的机器人间的定位，映射，数据融合和协调。该系统是在一个有效的分布式仿真证明。我们还描述了一个UAS平台的硬件实验，和正在进行的进展。
2021-06-17 cs.RO
Robot Inner Attention Modeling for Task-Adaptive Teaming of Heterogeneous Multi Robots
Kent State University（肯特州立大学）
由于团队规模和功能的多样性，异构多机器人系统（HMRS）被广泛应用于灾难搜救、现场监控、社会安全等复杂大规模场景，其中多个具有不同功能和数量的机器人协调执行任务。然而，由于各种任务的要求，它是具有挑战性的，准确地组成一个机器人团队具有适当的大小和功能，以动态地满足任务的需要，同时限制机器人资源成本到一个较低的水平。针对这一问题，提出了一种新的自适应协作方法--内部注意力（innerATT），使异构机器人能够根据任务类型和环境变化灵活地协作执行任务。innerATT是通过将一种新的注意力机制集成到多智能体演员-评论家强化学习架构中而设计的。通过注意力机制，将分析机器人的能力，以灵活地形成团队，以满足任务要求。设计了具有不同任务多样性（“单任务”、“双任务”和“混合任务”）的场景。在柔性协作中的准确性验证了innerATT的有效性。
2021-03-14 cs.RO
A Fairness-Oriented Control Framework for Safety-Critical Multi-Robot Systems: Alternative Authority Control
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Tencent Robotics X（腾讯Robotics X实验室）
本文提出整合替代权限控制（AAC）与柔性控制屏障函数（F-CBF）的多机器人公平控制框架，动态分配控制权限实现公平协调运动，扩展CBF提升动态避障安全性，仿真验证其安全、鲁棒且高效。
2024-09-16 cs.RO
A Constrained-Optimization Approach to the Execution of Prioritized Stacks of Learned Multi-Robot Tasks
University of Waterloo（滑铁卢大学）
本文提出了一种约束优化配方的优先执行学习机器人任务。该框架适用于执行由价值函数编码的任务，例如使用强化学习范式学习的任务。通过使用控制李雅普诺夫函数的凸优化程序的约束的任务进行编码。此外，为了指定任务之间的相对优先级，强制执行附加约束。所提出的方法是展示在模拟使用一组移动机器人执行协调的多机器人任务。
2023-01-13 cs.LG cs.RO cs.SY
GAMBIT: Learning to Plan Continuous Multi-Robot Trajectories
University of Cambridge（剑桥大学）；Technical University of Berlin（柏林工业大学）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）
GAMBIT 通过模仿学习和强化学习学习协调的运动原语选择，并引入带备份轨迹的安全机制，实现连续域中上千个机器人的无碰撞轨迹规划，显著优于现有基线。
2026-10-06 cs.AI cs.LG cs.MA
Coordinated Humanoid Robot Locomotion with Symmetry Equivariant Reinforcement Learning Policy
针对现有人形机器人深度强化学习方法忽略形态对称性导致动作不协调的问题，本文提出SE-Policy框架，通过嵌入对称等变/不变性提升运动协调性，在仿真和宇树G1实机上速度跟踪精度最高提升40%。
2025-11-16 cs.RO
Coordinated Aerial-Ground Robot Exploration via Monte-Carlo View Quality Rendering
Carnegie Mellon University（卡内基梅隆大学）
我们提出了一个框架，地面空中机器人团队探索大型，非结构化和未知的环境。在这样的探索问题中，现有的探索推进算法的有效性往往与环境的大小和复杂性不成比例。本文提出了一种新的框架，结合增量前沿分布，目标选择与蒙特卡洛视图质量渲染，和一个自动微分的信息增益措施，以提高探索效率。模拟多个复杂的环境中，我们证明了所提出的方法有效地利用合作的空中和地面机器人，一贯指导代理信息的观点，提高探索路径的信息增益，并减少规划时间。
2020-11-10 cs.RO
Planning coordinated motions for tethered planar mobile robots
Singapore Centre for 3D Printing（新加坡3D打印中心）；Nanyang Technological University（南洋理工大学）
研究多绳系平面移动机器人的运动规划问题。每个机器人都通过柔性电缆连接到固定基座上。由于机器人共享一个共同的工作空间，机器人，电缆和障碍物之间的相互作用给规划带来了很大的困难。以前的工作已经研究了检测目标电缆配置是否相交（或纠缠）的问题。在这里，我们感兴趣的运动规划问题：如何规划和协调机器人运动，以实现一个给定的不相交的目标电缆配置。我们确定了四种可能的运动模式，这取决于（i）机器人是否沿直线移动或沿电缆移动;（ii）机器人顺序移动或同时移动。我们深入分析了直线和并行，这是最实用的运动模式。特别是，我们提出的算法，（a）检测是否一个给定的目标电缆配置是可实现的直线和并发运动，以及（b）返回一个有效的协调运动计划。对算法进行了详细的分析，并在仿真和硬件实验中进行了验证。
2019-05-20 cs.RO
Multi-Robot Active Information Gathering with Periodic Communication
University of Hamburg（汉堡大学）；Tampere University of Technology（坦佩雷理工大学）
共享共同目标的机器人团队可以从团队成员的活动协调中受益，帮助团队更可靠或更快地达到目标。我们解决的问题，协调一个团队的机器人定期通信能力执行信息收集任务的行动。我们铸造的问题作为一个多智能体的最优决策问题的信息理论的目标函数。我们表明，适当的技术解决分散的部分可观察马尔可夫决策过程（Dec-POMDPs）是适用于这样的信息收集问题。我们量化的有用性协调信息收集通过仿真研究，并证明了该方法在现实世界中的目标跟踪域的可行性。
2017-03-07 cs.AI cs.RO
Subteaming and Adaptive Formation Control for Coordinated Multi-Robot Navigation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；North Carolina State University（北卡罗来纳州立大学）；U.S. Army DEVCOM Army Research Laboratory（美国陆军 DEVCOM 军事研究实验室）；University of Denver（丹佛大学）
本文提出STAF方法，通过分层学习框架实现多机器人团队动态拆分为子团队并自适应控制编队，在复杂场景中实现协调导航。
2025-09-19 cs.RO
Learning Coordinated Visuomotor Box-Pushing from Solo Demonstrations
National Institute of Advanced Industrial Science and Technology (AIST)（国立产业技术综合研究所（AIST））；Institute of Science Tokyo（东京科学大学）；The University of Tokyo（东京大学）
该研究探索利用单机器人遥操作数据实现大规模多机器人协调推箱，发现被动观察难以获取有效协调，并揭示了多机器人研究的瓶颈。
2026-10-06 cs.RO
Resilience and Energy-Awareness in Constraint-Driven-Controlled Multi-Robot Systems
University of Waterloo（滑铁卢大学）
在多机器人系统的约束驱动控制的背景下，在本文中，我们提出了一个基于优化的框架，能够确保弹性和能量意识的机器人团队。该方法是基于一种新的，框架理论，弹性措施，使我们能够分析和执行多机器人系统的弹性行为。弹性和能量意识的属性被编码为用于合成机器人控制输入的凸优化程序的约束。这允许将这些属性与协调任务的执行相结合，以实现弹性和能量感知的机器人操作。所提出的方法的有效性示出在一个模拟的情况下，一个团队的机器人被部署到执行两个任务的能量和弹性约束。
2022-06-15 cs.RO cs.SY eess.SY
Coordinated Multi-Robot Navigation with Formation Adaptation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；North Carolina State University（北卡罗来纳州立大学）；University of Denver（丹佛大学）；U.S. Army DEVCOM Army Research Laboratory (ARL)（美国陆军DEVCOM陆军研究实验室）
针对复杂环境对刚性队形的挑战，提出基于分层学习与弹簧-阻尼器模型的AFOR方法，结合图神经网络与强化学习实现队形自适应与避障，在仿真和真实实验中优于现有方法。
2025-03-03 cs.RO
Coordinated Motion Planning of a Wearable Multi-Limb System for Enhanced Human-Robot Interaction
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种运动规划层概念，通过在角加速度和位置偏差限制内修改轨迹，减少可穿戴超冗余机器人肢体运行时作用于人体的力矩，从而增强人机交互，并通过仿真验证了其有效性。
2025-09-12 cs.RO
A Sequential Composition Framework for Coordinating Multi-Robot Behaviors
Georgia Institute of Technology（佐治亚理工学院）；University of Washington（华盛顿大学）；Massachusetts Institute of Technology（麻省理工学院）
为了实现多机器人系统的特定任务，已经提出了许多协调行为。然而，由于大多数应用程序需要不止一个这样的行为，一个需要能够组合在一起的行为序列，同时尊重本地信息流的约束。具体地，当智能体通信取决于机器人间距离时，这些约束转化为必须在有限时间内达到的特定配置，以便系统能够在行为之间转换。为此，我们开发了一个分布式框架的基础上，有限时间收敛控制障碍功能，使一个团队的机器人，以满足不同任务的通信要求，以调整其配置。为了证明所提出的框架的意义，我们实现了一个全面的场景，其中一个团队的8个平面机器人探索城市环境，以本地化和救援的主题。
2020-03-02 cs.MA cs.RO
Experimental Validation of Stable Coordination for Multi-Robot Systems with Limited Fields of View using a PortableMulti-Robot Testbed
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）；Roma Tre University（罗马第三大学）
在本文中，我们解决的问题，稳定的协调运动的多机器人系统的视野（FOV）有限。这些问题自然会出现在基于传感进行交互的多机器人系统中，例如我们对多个无人驾驶飞行器（UAV）的案例研究，每个无人驾驶飞行器都配备有用于检测相邻UAV的几个摄像头。在这种情况下，我们的贡献是：i）首先，我们推导出一个框架，用于研究视野有限的多机器人系统的稳定运动和分布式拓扑控制; ii）然后，我们提供了室内和具有挑战性的室外环境中的实验结果（例如，风速高达每小时10英里）与一队无人机，以证明使用便携式多机器人实验装置的拟议控制框架的性能。
2019-09-16 cs.RO cs.SY eess.SY
Multi-Robot Coordination Induced in an Adversarial Graph-Traversal Game
George Mason University（乔治梅森大学）
本文将多机器人在对抗性时变图中的遍历问题建模为随机博弈，通过数值求解纳什均衡策略并给出博弈值界，揭示了蓝方机器人分散与同步等协调行为在降低代价中的优势。
2024-09-27 cs.GT cs.RO
Needs-driven Heterogeneous Multi-Robot Cooperation in Rescue Missions
HeRo Lab, Department of Computer Science, University of Georgia（佐治亚大学计算机科学系HeRo实验室）；University of Georgia（佐治亚大学）
本文重点研究了机器人辅助城市搜救（USAR）任务中多机器人系统的协作问题和异构性的作用。我们提出了一个需求驱动的多机器人合作机制，通过行为树结构表示和评估系统的性能方面的群体效用和能源成本，以实现在有限的时间内的救援任务。通过理论分析，我们证明了在异构机器人系统中，需求驱动的协作比同构机器人系统具有更高的群体效用。我们还进行了仿真实验，以验证所提出的需求驱动的协作，并表明异构多机器人合作，可以实现更好的性能和增加系统的鲁棒性，通过减少任务执行的不确定性。最后，我们讨论了应用于人机合作。
2020-10-25 cs.MA cs.RO
Coordinated Motion Control and Event-based Obstacle-crossing for Four Wheel-leg Independent Motor-driven Robotic System via MPC
Beijing Institute of Technology（北京理工大学）
针对四轮腿独立电机驱动机器人系统的协调运动控制和越障问题，提出了一种基于事件触发机制的模型预测控制（MPC）方法.建立了具有动态支撑多边形的轮腿机器人控制系统的数学模型。系统动力学模型为3个自由度，忽略俯仰、横滚和垂直运动。考虑电动机驱动特性和Burckhardt非线性轮胎模型，对单轮动力学进行了分析。在此基础上，建立了以电机转矩为输入、系统状态为输出的过驱动预测模型。由于支持多边形只在特定条件下调整，因此设计了基于事件的触发机制，以节省硬件资源和能量。MPC控制器上的虚拟样机以及物理样机进行评估。仿真结果为控制器在物理样机中的实现提供了参数整定指导。在这两个原型上的实验结果验证了所提出的方法的有效性。
2021-11-23 cs.RO
Distributing Collaborative Multi-Robot Planning with Gaussian Belief Propagation
Imperial College London（帝国理工学院）
当许多机器人必须在狭小的空间中一起工作时，前向时间窗口上的精确协调规划可以实现安全和高效的运动，但这通常需要对所有设备进行集中控制，这很难扩展。我们展示了GBP规划，一个新的纯分布式技术的基础上高斯置信传播的多机器人规划问题，制定了一个通用的因素图定义动态和碰撞约束在一个向前的时间窗口。在模拟中，我们表明，我们的方法允许高性能的协作规划，机器人能够在繁忙，复杂的场景中相互交叉。即使在通信故障的情况下，它们也比其他分布式规划技术保持更短，更快和更平滑的轨迹。我们鼓励读者在https://youtu.be/8VSrEUjH610上观看随附的视频演示。
2023-01-26 cs.AI cs.MA cs.RO
Planning Coordinated Human-Robot Motions with Neural Network Full-Body Prediction Models
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）
数值优化已经成为规划机器人平滑运动轨迹的一种流行方法。然而，当与人类共享空间时，适当平衡安全性，舒适性和效率仍然具有挑战性。这是值得注意的，因为人类会根据机器人的行为来调整自己的行为，这就需要进行复杂的规划和预测。在本文中，我们提出了一种新的优化为基础的运动规划算法，它产生的机器人运动，同时最大限度地提高人类的轨迹可能性下的数据驱动的预测模型。考虑规划和预测在一起，使我们能够制定目标和约束函数的联合人-机器人状态空间。该方法的关键是将潜在空间修改器添加到基于专用递归神经网络的可微分人类预测模型中。这些修改器允许在运动优化中改变人类预测。我们使用公开的MoGaze数据集对我们的方法进行了经验评估。我们的研究结果表明，所提出的框架优于目前的基线规划移交轨迹，避免机器人和人类之间的碰撞。我们的实验展示了协作运动轨迹，其中人类预测和机器人计划都相互适应。
2022-10-24 cs.RO
Multi-Robot Coordination Under Physical Limitations
Toronto Metropolitan University（多伦多都会大学）；University of Alberta（阿尔伯塔大学）
针对多机器人系统在执行器约束下的协调问题，提出基于庞特里亚金最小值原理的最优共识框架，平衡能量与效率，并经仿真和Robotarium实验验证。
2025-03-26 cs.MA cs.RO
Event-Based Distributed Linear Quadratic Gaussian for Multi-Robot Coordination with Localization Uncertainty
Toronto Metropolitan University（多伦多都会大学）；University of Alberta（阿尔伯塔大学）
本文提出了一种事件触发的分布式LQG控制策略，用于在定位不确定性下实现多机器人协调，通过解耦控制器与触发机制，在保证随机稳定性的同时有效平衡会合精度与通信效率。
2025-03-28 cs.RO cs.SY eess.SY
MagBotSim: Physics-Based Simulation and Reinforcement Learning Environments for Magnetic Robotics
Bielefeld University（比勒菲尔德大学）；Fraunhofer IOSB-INA（弗劳恩霍夫研究所）
MagBotSim通过将运输与操作结合为磁力机器人群，为磁悬浮系统提供基于物理的仿真环境，以提升制造系统的效率和适应性。
2025-11-20 cs.LG cs.RO
Language-Grounded Control for Coordinated Robot Motion and Speech
Massachusetts Institute of Technology（麻省理工学院）；Harvard Medical School（哈佛医学院）；Spaulding Rehabilitation Hospital（斯波尔丁康复医院）
针对人机接触协作中机器人运动与言语难以随人类行为实时协同的问题，该研究从治疗师行为提炼原则，提出可根据用户协作度同步调节运动与言语的Language Controller，经12人实验验证效果优于基线，为人机流畅协作提供框架。
2023-10-10 cs.RO
Coordinated Multi-Robot Shared Autonomy Based on Scheduling and Demonstrations
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Idiap Research Institute（伊迪亚普研究院）
本文针对单操作员协调两台并行机器人的共享自主问题，提出基于示教学习和时间规整的调度方法，通过迭代估计修正需求并优化调度，减少操作员空闲并缩短打磨任务时间。
2023-10-25 cs.RO
Constrained Nonlinear Kaczmarz Projection on Intersections of Manifolds for Coordinated Multi-Robot Mobile Manipulation
Collaborative Robotics and Intelligent Systems (CoRIS) Institute, Oregon State University（协作机器人与智能系统研究所，俄勒冈州立大学）；Department of Computer Science, Purdue University（计算机科学系，普渡大学）
针对多机器人协作操作中多约束难同步求解的问题，提出将约束建模为可解流形族并结合约束非线性Kaczmarz投影技术，可高效求解大量非线性约束，提升了多移动操作机器人协同运动规划的成功率，且通过硬件实验验证了有效性。
2025-03-27 cs.RO
With Whom to Communicate: Learning Efficient Communication for Multi-Robot Collision Avoidance
Department of Cognitive Robotics, Delft University of Technology（认知机器人学系，代尔夫特理工大学）；Autonomous Systems Lab, ETH Zurich（自主系统实验室，苏黎世联邦理工学院）
分散式多机器人系统通常通过不断广播它们的意图来执行协调的运动规划，作为应对缺乏协调所有机器人努力的中央系统的手段。特别是在复杂的动态环境中，通信所允许的协调提升对于避免协作机器人之间的碰撞至关重要。然而，一对机器人之间的碰撞风险会随着它们的运动而波动，并且并不总是需要通信。此外，持续的通信使许多在先前时间步骤中共享的仍然有价值的信息变得多余。提出了一种有效的通信方法，解决了多机器人避碰场景中“何时”和“与谁”通信的问题。在这种方法中，每个机器人都学会推理其他机器人的状态，并在请求其他机器人的轨迹计划之前考虑未来碰撞的风险。我们评估和验证所提出的通信策略在模拟与四个四旋翼，并比较它与三个基线策略：非通信，广播和基于距离的方法广播信息与四旋翼在预定义的距离。
2020-09-25 cs.AI cs.MA cs.RO
CoPlanVLM: Coordinated Path Planning for a Robot Team using Vision Language Models
University of California, Irvine（加州大学欧文分校）；University of Florida（佛罗里达大学）；Torch Technologies, LLC（Torch科技有限责任公司）；Air Force Research Laboratory（空军研究实验室）
CoPlanVLM通过三个组件提升VLM的空间推理能力，实现机器人团队协调路径规划，在仿真与实体硬件上验证，成功率84.4%，路径较基准短27%。
2026-10-14 cs.RO
A Coordinated Search Strategy for Multiple Solitary Robots: An Extension
Stellenbosch University（斯泰伦博斯大学）；CSIR-SU Centre for Artificial Intelligence Research（CSIR-SU人工智能研究中心）；African Institute for Mathematical Sciences（非洲数学科学研究所）
在机器人学中，没有先验环境信息的协调问题是很重要的。应用范围从编队控制到搜索和救援。本文考虑了一组孤立机器人的搜索问题：自私的机器人没有先验知识，彼此之间的通信能力有限。当机器人的通信能力有限时，它们可能会在重叠区域中进行遗忘搜索（即受到干扰）。干扰阻碍了机器人的进步，文献中已经提出了减轻干扰的策略[1]，[2]。在机器人学中，孤立机器人之间的相互作用引起了人们的极大兴趣，但是当搜索时间有限时，如何减轻干扰仍然是一个重要的研究领域。我们提出了一种基于细胞分解方法的协调策略[3]，其中我们采用软障碍物的概念：机器人将分配给其他机器人的细胞视为障碍物。通过仿真实验证明了该策略的性能。仿真结果表明，该策略的效用的情况下，一个已知的上限的搜索时间排除搜索的整个环境。
2019-05-25 cs.RO
Structure design and coordinated motion analysis of bionic crocodile robot
Ohio State University（俄亥俄州立大学）；BITS Pilani（Pilani比拉理工学院）；China University of Mining and Technology（中国矿业大学）
针对仿生鳄鱼机器人肢体与躯干不协调问题，基于真实鳄鱼特征设计多自由度铰接式仿生机器人，采用D-H法做运动学分析，仿真验证脊柱尾部协同四肢可提升运动性能，为仿生机器人研发提供参考。
2023-11-03 cs.RO
Coordinated Robot Navigation via Hierarchical Clustering
University of Pennsylvania（宾夕法尼亚大学）
我们介绍了使用层次聚类轻松，确定性的协调和控制多个机器人。传统的无监督学习方法，层次聚类提供了一种形式主义的识别和表示空间内聚和隔离的机器人组在不同的分辨率，通过相关的配置的连续空间的组合空间的树。我们形式化和利用这种关系，开发计算有效的反应式算法，通过组合空间导航与几何实现的层次聚类方法的特定选择。这些结构产生计算有效的矢量场规划的层次不变，以及过渡导航的配置空间。我们将这些方法应用于集中式协调和控制的$n$完美地感测和致动的欧几里德领域中的$d$维的环境空间（任意$n$和$d$）。给定一个所需的配置，支持所需的层次结构，我们构造了一个混合控制器，这是二次的$n$和代数的$d$，并证明其执行带来的所有措施，但零集的初始配置所需的目标，保证沿途没有冲突。
2015-07-06 cs.RO
