Assignment Algorithms for Multi-Robot Multi-Target Tracking with Sufficient and Limited Sensing Capability
Drexel University(德雷塞尔大学)
针对机器人不同感知能力下的多机器人多目标跟踪分配问题,提出两种贪心算法分别解决单机器人足跟踪单目标、双机器人需跟踪单目标场景,证明其近似界与多项式时间特性,实验表明性能接近最优且优于近似界。
2023-07-30 cs.RO
Concurrent Constrained Optimization of Unknown Rewards for Multi-Robot Task Allocation
Georgia Institute of Technology(佐治亚理工学院);University of Pennsylvania(宾夕法尼亚大学)
针对任务奖励函数未知的多机器人任务分配问题,提出COCOA问题及基于连续臂老虎机的CMTAB算法,实现资源约束下未知任务奖励的并发高效优化。
2023-05-24 cs.MA cs.RO
Desperate Times Call for Desperate Measures: Towards Risk-Adaptive Task Allocation
Georgia Institute of Technology(佐治亚理工学院)
多机器人任务分配(MRTA)问题涉及到优化机器人任务的分配。当任务需要多个机器人并且团队由异构机器人组成时,MRTA问题具有挑战性。当我们需要考虑现实世界中遇到的不确定性时,这些挑战进一步加剧。在这项工作中,我们解决联盟形成异构多机器人团队的能力不确定。我们特别关注需要联盟共同满足某些最低要求的任务。现有的不确定性感知任务分配方法要么最大化预期收益(风险中性方法),要么改善最坏情况或接近最坏情况的结果(风险厌恶方法)。在我们的问题的背景下,我们证明了固有的局限性,单方面忽视或避免风险,并表明这些方法实际上可以降低满足任务要求的概率。受解释动物觅食行为的模型的启发,我们开发了一种风险自适应的任务分配方法。我们的方法自适应地在风险规避和风险寻求行为之间切换,以最大限度地提高满足任务要求的概率。全面的数值实验最终表明,我们的风险自适应方法优于风险中性和风险厌恶的方法。我们还证明了我们的方法的有效性,使用模拟的多机器人应急响应方案。
2021-08-07 cs.MA cs.RO
An Efficient Scheduling Algorithm for Multi-Robot Task Allocation in Assembling Aircraft Structures
University of Washington(华盛顿大学);The Boeing Company(波音公司)
在飞机结构装配中有效利用协作机器人依赖于平衡机器人的工作量和确保无碰撞调度。我们把这个问题看作是在多个机器人之间分配大量重复的装配任务,如钻孔和安装紧固件。这样的任务分配通常被公式化为旅行商问题(TSP),这是NP难的,这意味着计算精确的最优解对于现实世界的应用来说在计算上是禁止的。间歇性的机器人故障需要实时任务重新分配,进一步加剧了问题的复杂性。在这封信中,我们提出了一种有效的方法,利用工件的几何形状和问题的结构,初步产生平衡和无冲突的机器人在标称条件下的时间表。随后,我们通过允许机器人首先完成其标称时间表,然后采用基于市场的优化器来分配剩余任务来处理故障。结果表明,在四个机器人系统上,与优化的贪婪多代理调度器相比,调度效率提高了11.5%,特别适用于需要数小时才能完成的飞机装配过程.此外,计算时间相似且较小,通常为数百毫秒。
2019-06-26 cs.MA cs.RO
Adaptive Workload Allocation for Multi-human Multi-robot Teams for Independent and Homogeneous Tasks
Purdue University(普渡大学)
多人多机器人(MH-MR)系统具有将机器人系统的潜在优势与人类参与的潜在优势相结合的能力。机器人系统有助于精确的性能和长时间的重复性任务操作而不会疲劳,而循环中的人类则提高了态势感知能力并增强了决策能力。一个系统的能力,以适应不断变化的条件和每个人(人和机器人)的表现在任务期间分配的工作量是至关重要的,以保持整体系统的性能。以前的作品,包括市场为基础的和优化的方法,试图解决的任务/工作量分配问题,重点是最大限度地提高系统的输出,而不考虑个别代理的条件下,缺乏实时处理,主要集中在多机器人系统。考虑到各种可能的组合团队(自主机器人和人类操作的机器人:任何数量的人类操作员操作任何数量的机器人在同一时间)和操作规模的MH-MR系统,工作量分配的一般框架的发展一直是一个特别具有挑战性的任务。在本文中,我们提出了这样一个框架,独立的同质任务,能够自适应地分配系统的工作量,有关的健康状况和工作性能的人操作的和自主的机器人在实时。该框架由可移动的模块化功能块组成,确保其适用于不同的MH-MR场景。新的工作量过渡功能块确保平稳过渡,而工作量变化不会对个别代理产生不利影响。通过实验验证了该框架的有效性和可扩展性的系统的工作负载的适应性,在一个MH-MR巡逻的情况下,不断变化的人类和机器人的条件,失败的机器人。
2020-07-27 cs.MA cs.RO
RTAW: An Attention Inspired Reinforcement Learning Method for Multi-Robot Task Allocation in Warehouse Environments
University of Maryland, College Park(马里兰大学帕克分校)
提出了一种基于强化学习的多机器人任务分配算法。我们将其制定为马尔可夫决策过程,并通过一种新的深度多智能体强化学习方法(称为RTAW)与注意力启发的策略架构来解决。因此,我们提出的策略网络使用独立于机器人/任务数量的全局嵌入。我们利用近端策略优化算法进行训练,并使用精心设计的奖励,以获得收敛的策略。融合策略确保不同机器人之间的合作,以最大限度地减少总行程延迟(TTD),最终提高了足够大的任务列表的最大完工时间。在我们广泛的实验中,我们比较了我们的RTAW算法的性能,以最先进的方法,如近视拾取距离最小化(贪婪)和基于不同导航方案的基线后悔。我们显示了高达14%(25-1000秒)的改进TTD的情况下,数百或数千个任务,不同的挑战性仓库布局和任务生成方案。我们还展示了我们的方法的可扩展性,显示性能与$1000$机器人在模拟。
2023-02-27 cs.MA cs.RO
Resilient Task Allocation in Heterogeneous Multi-Robot Systems
University of Pennsylvania(宾夕法尼亚大学);Lehigh University(利哈伊大学)
针对一个具有异构能力的多机器人系统,本文提出了一种机制,当异常环境条件如天气事件或对抗攻击影响任务内机器人的性能时,该机制以弹性的方式将机器人分配到任务中。我们的主要目标是确保为每个任务分配必要的资源水平,以分配给任务的机器人的聚合能力来衡量。通过跟踪外部扰动下的任务性能偏差,我们的框架量化了机器人能力(例如,视觉感知或空中机动性)受到环境条件的影响。这使得基于优化的框架能够根据每个任务中最退化的能力灵活地将机器人重新分配给任务。在面对资源的限制和不利的环境条件下,我们的算法最低限度地放松了相应的一些任务的资源约束,从而表现出一个优雅的性能下降。在多机器人覆盖和目标跟踪场景中的仿真实验证明了该方法的有效性。
2021-01-07 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
Dynamic Subgoal based Path Formation and Task Allocation: A NeuroFleets Approach to Scalable Swarm Robotics
NeuroFleets (PVT) LTD(神经舰队私人有限公司);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);University of Jaffna(贾夫纳大学)
本文提出 NeuroFleets 方法,通过有限状态机、视觉连通子目标和基于光信号通信的任务分配策略,实现未知环境中群体机器人的去中心化路径形成与最优资源部署,并在 Argos 仿真中验证其可扩展性、鲁棒性和容错性。
2024-09-01 cs.MA cs.RO
Graph-based Decentralized Task Allocation for Multi-Robot Target Localization
Department of Computer Science, Purdue University, USA(计算机科学系,普渡大学)
本研究针对异构多机器人系统的目标定位任务,提出基于图注意力的分布式任务分配模型GATR及异构感知预处理技术,可适配2-12台机器人的动态场景,性能优于基准方法。
2025-09-05 cs.MA cs.RO
An Optimal Task Allocation Strategy for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology(佐治亚理工学院)
对于一个团队的异构机器人执行多个任务,我们提出了一种新的算法,以最佳分配任务的机器人,同时考虑到他们的不同能力。出于机器人团队在许多实际应用中长时间保持运行的需要,我们允许每个机器人选择任务,除了任务分配的全局规范之外,还考虑执行任务所消耗的能量。这些任务被编码为每个机器人在每个时间点解决的能量最小化问题中的约束。通过在任务约束中引入松弛变量,可以有效地将任务分配给特定的机器人。此外,某些机器人对某些任务的适应性也被考虑到生成一个任务分配算法的机器人与异构能力的团队。所开发的方法的有效性证明了在模拟和一个团队的真实机器人。
2019-09-02 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
Modelling resource contention in multi-robot task allocation problems with uncertain timing
Australian Centre for Field Robotics, University of Sydney(悉尼大学澳大利亚野外机器人中心)
本文提出了一个分析框架,用于建模多机器人系统中的资源竞争,其中的行程时间和任务持续时间是不确定的。它使用几种近似方法来快速准确地计算描述任务开始和完成时间的概率分布。具体贡献包括用于计算一组独立正态分布随机事件以给定顺序发生的概率的精确和快速近似方法,用于计算具有相等标准偏差的一组独立正态分布随机事件的最可能和第n最可能发生顺序的方法,以及一种用于在给定事件的特定顺序的情况下近似事件的条件概率分布的方法。在两个多机器人任务分配问题中,完整的框架被证明是比蒙特卡洛方法更快的相同精度。此外,通过与确定性方法的比较,证明了纳入不确定性的重要性。这是一个通用的框架,是不可知的优化方法和目标函数,并适用于广泛的问题。
2020-03-14 cs.MA cs.RO
The Application of Market-based Multi-Robot Task Allocation to Ambulance Dispatch
King’s College London(伦敦国王学院);Birkbeck College, University of London(伦敦大学伯贝克学院);London Ambulance Service(伦敦救护服务);University of Lincoln(林肯大学)
多机器人任务分配(MRTA)是将一组任务分配给一组机器人的问题,其目标是优化某些标准,例如最小化完成所有任务所花费的时间或精力,或最大化团队联合活动的效率。MRTA方法的探索通常限于实验室和现场实验。很少有现有的真实世界模型,其中自主移动机器人的团队被部署“在野外”,例如,在工业环境中。在这里提出的工作中,一个基于市场的MRTA方法被应用到救护车调度的问题,在那里救护车被分配在响应病人的求助电话。救护车和机器人是有限的(也许是稀缺的),专门的移动资源;事件和任务代表了对资源提供的服务的时间敏感,具体的,潜在的无限的,精确定位的需求。来自伦敦救护车服务的历史数据描述了一组超过100万(匿名)的事件被用来作为评估基于市场的方法与当前的,主要是手动的,分配救护车的事件的方法的预测性能的基础。实验结果表明,在统计上显着改善响应时间时,使用基于市场的方法。
2020-03-11 cs.MA 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
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
A Coalition Formation Algorithm for Multi-Robot Task Allocation in Large-Scale Natural Disasters
Concordia University(康考迪亚大学);South Carolina State University(南卡罗来纳州立大学);CISCO Systems(思科系统公司)
在大规模自然灾害中,人类在试图到达高风险地点或进行搜索和救援行动时很可能失败。然而,由于机器人具有多种多样的传感和驱动能力,它们在危险中幸存下来并处理搜索和救援任务方面优于同行。为了提高成本效率,这些异构机器人的最优联盟的动态形成是非常具有挑战性的,该领域的研究越来越受到关注。在本文中,我们提出了一种新的启发式。由于大规模灾难环境中的机器人数量非常大,我们依赖于量子多目标粒子群优化(QMOPSO)。该问题被建模为一个多目标优化问题。通过不同的测试用例和度量进行了仿真,并与其他算法如NSGA-II和SPEA-II进行了比较。实验结果表明,该算法优于现有的算法,不仅在收敛性,而且在多样性和处理时间。
2017-04-19 cs.MA cs.RO
DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in Complex Environments
University of Maryland, College Park(马里兰大学帕克分校)
提出了一种新的基于强化学习(RL)的仓库环境中移动机器人任务分配和分散导航算法。我们的方法是专为多个机器人被用来执行各种拾取和交付任务的场景。研究了分布式任务分配和导航问题,提出了一种两层的求解方法,在高层,通过马尔可夫决策过程来求解任务分配问题,并选择合适的奖励以最小化总行程延迟(TTD).在较低级别,我们使用基于ORCA的分散导航方案,使每个机器人能够以独立的方式执行这些任务,并避免与其他机器人和动态障碍物发生碰撞。我们通过将较高级别的奖励定义为来自较低级别导航算法的反馈来组合这些较低级别和较高级别。我们进行了广泛的评估,在复杂的仓库布局与大量的代理,并强调了国家的最先进的算法的基础上近视皮卡距离最小化和遗憾为基础的任务选择的好处。我们观察到机器人的任务完成时间提高了14%,计算无碰撞轨迹提高了40%。
2022-09-07 cs.LG cs.MA cs.RO
Task Allocation using a Team of Robots
UNSW Sydney(新南威尔士大学悉尼分校);Data61, CSIRO(联邦科学与工业研究组织Data61);Defence Science and Technology Group(国防科学与技术集团)
利用机器人团队或联盟进行任务分配是机器人学、计算机科学、运筹学和人工智能中最重要的问题之一。在最近的工作中,研究集中在处理复杂的目标和可行性约束之间的多机器人任务分配问题的其他变化。在这些方向上有许多重要研究进展的例子。我们提出了一个一般的任务分配问题,概括了几个版本,研究。我们的表述包括机器人的状态、任务以及它们运行的周围环境。我们描述了如何根据可行性约束,目标函数和动态变化的信息水平的问题可以有所不同。此外,我们讨论了现有的解决方案,包括基于优化的方法,和基于市场的方法的问题。
2022-07-20 cs.AI cs.DM cs.MA
Energy-Aware Task Allocation for Teams of Multi-mode Robots
Institute of Science Tokyo(科学东京大学);University of Waterloo(滑铁卢大学)
针对可在飞行、行驶、行走等模式间切换的机器人团队,提出能量感知的图编码与约束优化任务分配框架,并给出运动学和动力学模型下的收敛充分条件。
2025-03-17 cs.MA cs.RO cs.SY
Proportional Control for Stochastic Regulation on Allocation of Multi-Robots
University of Pennsylvania(宾夕法尼亚大学)
由于机器人水平的不确定性和环境对机器人行为的影响,任何用于将机器人整体分配到一组顺序任务上的策略都会受到不准确性的影响。我们接近任务分配过程中的不准确性的问题,通过建模和控制整体集成行为。我们的模型表示分配问题作为一个随机跳跃过程,我们调节这样一个过程的均值和方差。本文的主要贡献是:建立一个结构的过渡率的等效随机跳跃过程,并正式表明,这种方法导致解耦的参数,使我们能够调整的一阶和二阶矩的合奏分布的任务,这使得灵活性,以减少所需的最终分布的方差。这使我们能够直接塑造不确定性对任务组分配的影响。我们介绍了一个详细的过程来设计增益,以实现所需的平均值,并显示如何额外的参数影响的协方差矩阵,这是直接与任务分配精度的程度。我们的仿真和实验结果表明,成功地控制几个机器人合奏任务分配。
2022-12-19 cs.RO
Task Allocation in Robotic Swarms: Explicit Communication Based Approaches
Institute for Advanced Studies in Basic Sciences(基础科学高级研究所);University of Zanjan(赞詹大学)
本文研究了一种多机器人协作任务分配问题,其中一个机器人群被部署在一个受限的未知环境中,代表任务的色点数目及其比例未知。机器人应尽可能覆盖这些点,以便进行理想的清洁和采样动作。这意味着他们应该合作发现点,并按点面积成比例传播,避免闲置。我们提出了4个自组织的分布式方法,这些方法被称为混合方法来应对这种情况。在两个不同的实验中的方法的性能进行了分析。我们将它们相互比较,并研究了它们的可扩展性和鲁棒性方面的单点故障。
2015-03-01 cs.AI cs.MA cs.RO
A Task Allocation Framework for Human Multi-Robot Collaborative Settings
Roma Tre University(罗马第三大学);University of Cassino and Southern Lazio(卡西诺和南拉齐奥大学)
现代生产系统的要求以及更先进的机器人技术促进了由人类和自主机器人组成的团队的整合。然而,随着潜在的好处也来的问题,如何有效地处理这些团队考虑到所涉及的代理的不同特点。为此,本文提出了一个框架,在人类多机器人协作的情况下任务分配。所提出的解决方案结合了最佳离线分配与在线重新分配策略,该策略考虑了离线计划的不准确性和/或不可预见的事件、人的主观偏好以及从一个任务切换到另一个任务的成本,以提高人的满意度和团队效率。实验的情况下,两个机械手与人类操作员合作,执行装箱任务。
2022-10-25 cs.RO
Inverse Risk-sensitive Multi-Robot Task Allocation
University of Southern California(南加利福尼亚大学)
提出IR-MRTA问题,通过Branch & Bound算法从人类建议的分配方案中反求风险模型参数,使贪心分配符合人类偏好,并在目标捕获仿真中显著降低运行时间与峰值内存。
2024-06-14 cs.RO
Hierarchically Decentralized Heterogeneous Multi-Robot Task Allocation System
University of Cincinnati(辛辛那提大学)
本文提出一种分层去中心化异构多机器人任务分配系统,通过基于拍卖的MRTA和3种拍卖策略实现ISRU任务协调,并在ROS2的pyrobosim仿真中验证其可扩展性与鲁棒性。
2024-05-03 cs.RO
A Global Games-Inspired Approach to Multi-Robot Task Allocation for Heterogeneous Teams
Old Dominion University(奥多明尼昂大学)
本文利用全局博弈框架解决异构多机器人任务分配问题,通过设计线性目标函数诱导混合纳什均衡,并给出仅需矩阵求逆的高效求解算法,仿真验证了其有效性。
2025-01-02 cs.MA cs.RO cs.SY
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
Behavior Tree Capabilities for Dynamic Multi-Robot Task Allocation with Heterogeneous Robot Teams
FZI Research Center for Information Technology(FZI信息技术研究中心)
针对异构机器人团队动态任务分配问题,提出基于行为树的能力建模与运行时拍卖分配系统,提升任务执行质量与团队灵活性。
2024-02-05 cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行,这提供了有关单个机器人行为的更详细信息,但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具,我们展示了如何生成一系列的多机器人策略,如果单个机器人失败,则迭代地改进它们以重新分配任务,并提供概率保证机器人团队的性能(和安全操作)。我们实现我们的方法,并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
Efficient Task Allocation in Smart Warehouses with Multi-delivery Stations and Heterogeneous Robots
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);University of Oulu(奥卢大学)
多机器人系统中的任务分配问题是一个NP难问题,其可行解通常采用启发式算法求解。考虑到对物流改进的需求日益增加,使用机器人来提高物流仓库的效率正在成为一种需求。在智能仓库中,主要任务包括使用一组自动拣选和移动机器人,这些机器人通过从货架上的一组订单中拣选物品并将其放在配送站来进行协调。多机器人任务分配的复杂性通常有两个方面:(i)环境方面,例如多个交付站和分散的机器人(因为它们保持恒定运动)和(ii)车队异质性,其中机器人的交通速度和容量负载彼此不同。尽管这些特性在文献中已经被广泛研究,但它们通常被单独研究。针对具有多配送站和异构车队的智能仓库,提出了一种可扩展的高效任务分配算法。我们的策略采用了一种新的成本估计器,它计算成本作为机器人的可变特性和能力的函数,而他们接受新的任务。为了验证该策略,进行了一系列实验,模拟具有多个交付站和异质车队的智能仓库的操作。结果表明,我们的策略生成的路由成本高达$33$ \%以下的一个国家的最先进的任务分配算法生成的路由和$96$ \%更快的测试实例,代表我们的目标场景。考虑到单配送站和非分散机器人,我们将机器人数量减少了$18$ \%,分配任务的速度加快了$92$ \%,并生成了成本与最先进算法生成的路线在统计上相似的路线。
2022-02-28 cs.RO
A Mixed-Integer Linear Programming Formulation for Human Multi-Robot Task Allocation
Roma Tre University(罗马第三大学);University of Cassino and Southern Lazio(卡西诺与南拉齐奥大学)
在这项工作中,我们解决了人类多机器人设置的任务分配问题。给定一组要执行的任务,我们制定了一个一般的混合线性规划(MILP)问题,旨在最大限度地减少整体执行时间,同时优化执行任务的质量以及人类和机器人的工作量。代理人,人类和机器人的不同技能,被考虑在内,人类操作员能够直接执行任务或发挥监督作用;此外,如果需要执行任务,多个操纵器可以紧密合作。最后,作为人类环境中的现实,假设人类参数随时间变化,例如,由于人类疲劳程度的增加。因此,需要进行在线监测,并在需要时进行重新分配。仿真在一个现实的情况下,两个机械手和一个人类操作员执行装配任务验证了该方法的有效性。
2021-06-12 cs.RO
Evolutionary Swarm Robotics: Dynamic Subgoal-Based Path Formation and Task Allocation for Exploration and Navigation in Unknown Environments
University of Jaffna(贾夫纳大学)
本文提出基于子目标的路径形成与任务分配策略,解决未知环境中群体机器人的探索导航及交通拥堵问题,仿真验证其优于A*算法,具有可扩展性和鲁棒性。
2023-12-27 cs.MA cs.NE cs.RO
Multi-Robot Task Allocation using Global Games with Negative Feedback: The Colony Maintenance Problem
Old Dominion University(老道明大学)
本文提出一种基于全局博弈的负反馈机制,解决多机器人殖民地维护任务分配问题,避免正反馈导致的级联故障,并通过仿真验证其韧性。
2024-12-17 cs.RO
Energy-Aware Multi-Robot Task Allocation in Persistent Tasks
University of Georgia(佐治亚大学)
群体机器人执行觅食任务的适用性受到其紧凑的尺寸和成本的启发。执行这些任务需要大量的能量,特别是如果任务是连续的和/或重复的。在现实世界中,机器人在保持生存(生存能力)和最大化生产(性能)的同时连续执行任务,这需要能量意识。本文提出了一种节能的分布式任务分配算法来解决连续任务(例如,无限制的觅食),以实现高效的任务合作机器人。我们认为效率是机器人在探索和收集食物时返回收集箱所消耗的能量的函数。最后,所提出的节能算法最大限度地减少了总的运输时间充电站和充电时消耗的时间,并最大限度地提高机器人的寿命,以执行最大的任务,以提高协作机器人的整体效率。我们针对典型的贪婪基准测试策略(将最近的收集箱分配给可用机器人并最大限度地为机器人充电)评估了所提出的解决方案在各种情况下的效率和性能。与基线方法相比,所提出的方法显著提高了性能和效率。
2021-12-31 cs.RO
Learning Locally, Communicating Globally: Reinforcement Learning of Multi-robot Task Allocation for Cooperative Transport
Toyota Motor Corporation(丰田汽车公司);Nara Institute of Science and Technology(奈良科学技术研究所)
我们考虑任务分配多对象运输使用多机器人系统,其中每个机器人选择一个对象之间的多个对象具有不同的和未知的权重。现有的集中式方法假设机器人和任务的数量是固定的,这不适用于与学习环境不同的场景。同时,现有的分布式方法将机器人和任务的最小数量限制为恒定值,使得它们适用于各种数量的机器人和任务。然而,它们不能运输重量超过观察物体的机器人的负载能力的物体。为了使其适用于不同数量的机器人和对象的不同和未知的权重,我们提出了一个框架,使用多智能体强化学习任务分配。首先,我们介绍了一个结构化的政策模型,包括1)预先设计的动态任务优先级与全球通信和2)一个基于神经网络的分布式政策模型,确定协调的时机。分布式策略在局部观察下对高优先级对象建立共识,并选择合作或独立的行动。然后,通过试验和错误的多智能体强化学习的策略进行优化。这种局部学习和全局通信的结构化策略使我们的框架适用于不同数量的机器人和具有不同和未知权重的对象,如数值模拟所示。
2022-12-06 cs.RO
UWB Role Allocation with Distributed Ledger Technologies for Scalable Relative Localization in Multi-Robot Systems
University of Turku(图尔库大学)
基于超宽带(UWB)测距的多机器人系统相对定位系统最近成为GNSS拒绝环境的鲁棒解决方案。可扩展性仍然是关键挑战之一,特别是在ad-hoc部署中。最近的解决方案包括系统中不同机器人或节点的主动和被动定位模式的动态分配。随着大规模系统变得更加分布式,关键的研究问题出现在这些本地化系统的安全性和可信度的领域。本文研究了协作决策过程与分布式账本技术的潜在集成。具体来说,我们研究了在区块链中的智能合约中运行UWB角色分配算法的方法的设计和实现。在之前的工作中,我们分别研究了ROS 2与Hyperledger Fabric区块链的集成,并引入了一种新的基于UWB的可扩展本地化算法。在本文中,我们扩展了这些工作(i)运行实验与大量的移动机器人之间切换不同的空间配置和(ii)集成的动态UWB角色分配算法到织物智能合约的分布式决策系统中的多个移动机器人。这使我们能够在安全和可信赖的流程中提供相同的功能,并增强身份和数据访问管理。我们的研究结果显示了UWB角色分配对于六个自主移动机器人的连续变化的空间编队的有效性,同时证明了添加区块链层对延迟和计算资源的影响很小,不会影响本地化过程。
2022-08-29 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
Multi-Robot Task Allocation -- Complexity and Approximation
UNSW Sydney(新南威尔士大学悉尼分校);University of Nebraska-Lincoln(内布拉斯加大学林肯分校);Hasso Plattner Institute(哈索·普拉特纳研究所);University of Potsdam(波茨坦大学);Hong Kong Polytechnic University(香港理工大学)
多机器人任务分配是机器人领域最基本的问题之一,对于搜索、救援和区域探索等实际机器人应用至关重要。我们考虑单任务机器人和多机器人任务的即时分配(ST-MR-IA)设置,每个任务需要至少一定数量的机器人,每个机器人可以工作在最多一个任务,并招致每个任务的运营成本。我们的目标是考虑一个自然的计算问题分配机器人完成任务的最大数量的预算约束。我们考虑三种不同类型的预算约束:(1)总预算,(2)任务预算,(3)机器人预算。我们提供了一个详细的复杂性分析,包括近似的结果,以及多项式时间算法的一般设置和重要的限制设置。
2021-03-23 cs.AI cs.RO
Modeling and Evaluating Trust Dynamics in Multi-Human Multi-Robot Task Allocation
Purdue University(普渡大学);University of Michigan(密歇根大学)
本文提出期望确认信任(ECT)模型,用于多人类-多机器人团队任务分配中的信任动态建模,实验表明该模型相比五种现有信任模型和无信任基线能提高任务成功率、缩短完成时间并降低错误率。
2025-03-10 cs.RO
Towards Practical Multi-Robot Hybrid Tasks Allocation for Autonomous Cleaning
Harbin Institute of Technology(哈尔滨工业大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Science(中国科学院深圳先进技术研究院);Chongqing University(重庆大学);Gaussian Robotics(高仙机器人)
本文针对不确定环境下多机器人自主清洁中的混合任务分配问题,提出鲁棒混合整数线性规划模型,构建含100实例的数据集,并通过传统优化与深度强化学习求解器验证了方法的有效性与鲁棒性。
2023-04-04 cs.AI cs.RO
Initial Task Allocation for Multi-Human Multi-Robot Teams with Attention-based Deep Reinforcement Learning
Purdue University(普渡大学);Beijing University of Chemical Technology(北京化工大学)
本文针对多人类多机器人团队的初始任务分配问题,提出基于注意力深度强化学习的方法,通过跨属性注意力模块建模异构属性依赖,并在大规模威胁监视场景中验证了模型优势。
2023-07-07 cs.RO
Communication-Free Distributed Multi-Robot Task Allocation under Partial Observations Using Labeled Multi-Bernoulli Filtering
National Institute of Advanced Industrial Science and Technology (AIST)(国立产业技术综合研究所(AIST))
本文提出一种基于局部观测和标记多伯努利滤波的无通信多机器人任务分配框架,通过贪婪拍卖策略实现分布式协调,蒙特卡洛仿真验证了其在杂波和不确定性下的有效性。
2026-10-01 cs.RO cs.SY eess.SY
Adaptive Task Allocation in Multi-Human Multi-Robot Teams under Team Heterogeneity and Dynamic Information Uncertainty
Purdue University(普渡大学);College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology(北京化工大学机电工程学院)
针对多人类多机器人团队任务分配中团队异质性、动态执行和信息不确定性问题,提出基于分层强化学习的ATA-HRL框架,结合初始任务分配、条件任务重分配和辅助状态表示学习,并通过大规模环境监测案例验证其有效性。
2025-03-11 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
Consensus-based Fast and Energy-Efficient Multi-Robot Task Allocation
Indian Institute of Technology Bhubaneswar(印度理工学院布巴内斯瓦尔分校);TCS Research(塔塔咨询服务公司研究院)
在一个多机器人系统中,将任务适当地分配给各个机器人是非常重要的组成部分。集中式基础设施的可用性可以保证任务的最佳分配。然而,在许多重要的场景中,如搜索和救援、勘探、灾害管理、战场等,以分散的方式将动态任务动态分配给机器人是唯一可能的选择。机器人之间的有效通信在任何这种分散的环境中都起着至关重要的作用。现有的分布式多机器人任务分配(MRTA)的工作要么假设网络是可用的,或者使用一个天真的通信范式。相反,在大多数情况下,网络基础设施要么不稳定,要么不可用,ad-hoc网络是唯一的手段。在无线传感器网络(WSN)/物联网(IoT)应用等自组织网络中,基于同步传输(ST)的无线通信协议的最新发展被证明比传统的基于异步传输的协议更有效。目前的工作是第一次努力,利用ST的MRTA。具体来说,我们提出了一种算法,有效地适应ST为基础的多对多的互动,并尽量减少信息交换,以达成共识的任务分配。我们展示了所提出的算法的有效性,通过广泛的基于模拟的研究,其延迟和能源效率在不同的设置。
2022-09-21 cs.NI cs.RO
Temporal Logic Task Allocation in Heterogeneous Multi-Robot Systems
Duke University(杜克大学)
在本文中,我们考虑的问题,最优分配任务,表示为全球线性时序逻辑(LTL)规范,异构移动机器人团队。机器人被分为不同的类型,以捕捉它们不同的能力,每个任务可能需要多种类型的机器人。分配给每个任务的特定机器人是无关紧要的,只要它们是所需的类型。给定一个离散的工作空间,我们的目标是设计路径,即,序列的离散状态,为机器人,使LTL规范得到满足。为了获得一个可扩展的解决方案,这个复杂的时序逻辑任务分配问题,我们提出了一个分层的方法,首先分配特定的机器人任务使用的信息中包含的非确定性Buchi自动机(NBA),捕捉LTL规范的任务,然后设计低级别的可执行计划的机器人,尊重高级别的分配。具体来说,我们首先通过删除所有负原子命题来修剪和放松NBA。这一步是由机器人技术中的“惰性碰撞检查”方法激发的,并且允许通过仅在需要时检查约束满足来简化规划问题。然后,我们从放松NBA的子任务序列及其时间顺序,并制定了一个混合线性规划(MILP)分配这些子任务的机器人。最后,我们定义了广义多机器人路径规划问题,以获得低级别的可执行机器人计划,满足高级别的任务分配和时间约束捕获的负原子命题在原来的NBA。我们表明,我们的方法是完整的LTL的一个子类,涵盖了广泛的任务和目前的数值模拟表明,它可以生成路径的成本较低,大大快于现有的方法。
2022-02-13 cs.RO
FORMICA: Decision-Focused Learning for Communication-Free Multi-Robot Task Allocation
Dept.\ of Robotics Engineering, Worcester Polytechnic Institute, Worcester MA 01609, USA
FORMICA通过学习预测队友报价实现多机器人任务分配,无需通信,提升系统奖励17%,具备良好泛化能力。
2026-02-20 cs.RO
Effective Multi-Robot Spatial Task Allocation using Model Approximations
Boğaziçi University(博阿齐奇大学)
现实世界中的多智能体规划问题不能解决决策理论的规划方法,由于指数的复杂性。我们近似消防救援模拟作为一个空间分布的任务和模型与多智能体马尔可夫决策过程。我们使用最近的空间任务问题的近似方法,以减少模型的复杂性。我们的近似是单代理,静态任务,最短路径修剪,动态规划视野,任务聚类。我们从RoboCup救援模拟地图创建场景,并在这些图形世界上评估我们的方法。结果表明,我们的方法是更快,更好地比可比的方法,并具有可忽略不计的性能损失相比,最佳的政策。我们还表明,我们的方法具有类似的性能DCOP方法的示例RCRS的情况下。
2016-06-04 cs.AI cs.MA cs.RO
Reinforcement Learning of Multi-robot Task Allocation for Multi-object Transportation with Infeasible Tasks
Toyota Motor Corporation(丰田汽车公司);Nara Institute of Science and Technology(奈良科学技术研究所)
针对未知重量物体运输任务分配难及不可行任务导致死锁的问题,本文提出一种动态任务分配框架,通过存储并广播任务经验、让机器人学习任务排除等级,实现了可扩展的多机器人任务分配,提升了运输效率并避免了死锁。
2025-02-19 cs.RO
Consensus-Based Dynamic Task Allocation for Multi-Robot System Considering Payloads Consumption
College of Intelligence Science and Technology, National University of Defense Technology(国防科技大学智能科学学院)
针对多机器人任务分配中载荷消耗导致能力下降的问题,提出基于共识的增强型载荷算法CBPA,通过载荷束构建与共识两阶段迭代实现动态无冲突分配,在复杂动态场景下有效且总任务收益优于CBBA。
2024-12-13 cs.RO
Reactive Task Allocation and Planning for Quadrupedal and Wheeled Robot Teaming
Georgia Institute of Technology(佐治亚理工学院);Georgia Tech Research Institute(佐治亚理工研究院);UBTECH North America Research and Development Center Corporation(优必选北美研发中心有限公司)
本文采取的第一步,反应,分层多机器人任务分配和规划框架给出了一个全球性的线性时序逻辑规范。四足机器人和轮式机器人的能力通过异构团队来实现各种导航和交付任务。然而,当部署在现实世界中时,所有机器人都容易受到不同类型的干扰,包括但不限于运动故障,人为干预和环境障碍。为了解决这些干扰,我们提出了任务级的局部和全局重新分配策略,以有效地在线生成更新的动作状态序列,同时保证完成原始任务。这些任务重新分配方法消除了重建整个计划或重新合成新任务的过程。为了将任务规划器与低层输入相结合,行为树执行层监视不同类型的干扰,并采用重新分配方法来制定相应的恢复策略。为了评估这个规划框架,动态仿真进行了一个现实的医院环境中的异构机器人团队组成的四足和轮式机器人交付任务。
2022-06-21 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
Scheduling of Missions with Constrained Tasks for Heterogeneous Robot Systems
University of York(约克大学);University of Málaga(马拉加大学)
本文提出了一种多机器人任务的正式任务分配与调度方法(KANOA)。KANOA支持两种重要的任务约束类型:任务排序,要求以指定的顺序执行多个任务;联合任务,表示必须由多个机器人执行的任务。为了减轻机器人任务规划的复杂性,KANOA处理任务任务分配给机器人,并单独调度分配的任务。为此,任务分配问题是正式的一阶逻辑和解决使用合金模型分析器,和任务调度问题被编码为马尔可夫决策过程和解决使用PRISM概率模型检查器。我们说明KANOA的应用程序通过一个案例研究,其中一个异构的机器人团队被分配到医院的维护任务。
2022-09-28 cs.LO cs.MA cs.RO
Reinforcement Learning Based Heterogeneous Task Allocation Under Spatio-Temporal Environmental Uncertainty for Multi-Robot Teams
Stevens Institute of Technology(史蒂文斯理工学院)
针对海事干扰下的多机器人异构任务分配问题,提出基于强化学习的分散式策略网络,经模拟实验验证其完成时间最短,可适配100机器人、400任务的场景。
2026-10-14 cs.RO