Multi-robot Symmetric Rendezvous Search on the Line
Yaşar University(亚沙尔大学);University of Maryland(马里兰大学)
研究了多机器人系统的对称路径搜索问题。有$n>2$机器人任意位于一条线上。他们的目标是尽快在某个地方见面。机器人不知道任何其他机器人的初始位置或自己在生产线上的位置。该问题的对称版本要求机器人执行相同的搜索策略来实现会合。因此,我们用随机策略在线解决问题。在本文中,我们提出了一个对称的会合算法,实现了一个恒定的竞争比的总距离由机器人。我们通过模拟验证我们的理论结果。
2021-01-28 cs.DM 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
Decentralized Uncertainty-Aware Active Search with a Team of Aerial Robots
The Robotics Institute, Carnegie Mellon University(机器人研究所、卡内基梅隆大学)
针对灾后大范围搜救中通信受限与目标数量未知问题,本文提出去中心化、不确定性感知的多空中机器人主动搜索系统,通过随机覆盖、信息共享与多视图融合实现未知OOI的快速检测和约3米精度定位。
2025-06-10 cs.RO
Distributed Multi-Robot Multi-Target Simultaneous Search and Tracking in an Unknown Non-convex Environment
School of Electrical and Automation Engineering, Nanjing Normal University(电气与自动化工程学院,南京师范大学);Department of Mechanical Engineering, Temple University(机械工程系, Temple大学)
针对未知非凸环境中多机器人需同时完成探索、搜索与目标跟踪的难题,提出融合前沿探索、Lloyd 保证覆盖和传感器多目标跟踪的运动规划框架,并经 MATLAB 仿真验证其优于标准方法。
2025-09-27 cs.RO
Multi-Robot Target Search using Probabilistic Consensus on Discrete Markov Chains
Arizona State University(亚利桑那州立大学);University of California, Los Angeles(加州大学洛杉矶分校)
在本文中,我们提出了一个基于概率共识的多机器人搜索策略,是强大的通信链路故障,因此是适合受灾地区。机器人,只能本地通信,探索有界的环境,根据离散时间离散状态(DTDS)马尔可夫链建模的随机行走,并与相邻的机器人交换信息,从而在一个随时间变化的通信网络拓扑结构。所提出的策略被证明是实现共识,这里定义为协议的存在一个静态的目标,没有假设的通信网络的连接。使用数值模拟,我们调查的机器人人口的大小,域的大小,和信息的不确定性的共识时间统计在这个计划下的效果。我们还验证了我们的理论结果与3D物理为基础的模拟在Gazebo。仿真结果表明,所有的机器人在有限的时间内达成共识,提出的搜索策略在一定范围内的机器人密度的环境。
2020-09-20 cs.MA cs.RO
A Versatile Multi-Robot Monte Carlo Tree Search Planner for On-Line Coverage Path Planning
移动机器人在减少人类执行诸如吸尘、播种、收割、油漆、搜索和救援以及检查等工作的需求方面具有很大的前景。在实践中,这些任务通常必须在没有该区域的精确地图的情况下完成,并且可以通过使用多个机器人一起工作来更快地完成。同时覆盖和映射的多个机器人的区域的任务被称为多机器人在线覆盖,是一个不断增长的研究领域。许多多机器人在线覆盖路径规划算法已被开发为完善的离线覆盖算法的扩展。在这项工作中,我们介绍了一种新的方法,多机器人在线覆盖路径规划的基础上借用博弈论和机器学习的方法-蒙特卡罗树搜索。我们实现了一个蒙特卡罗树搜索规划和比较完成时间对Boustrophedon为基础的在线多机器人规划。的MCTS计划执行与传统的Boustrophedon算法在模拟不同的机器人数量和密度的障碍物在地图上。的多功能性的MCTS规划师证明,将二级目标,如转弯最小化,同时执行相同的覆盖任务。MCTS规划器的多功能性表明它非常适合移动机器人中出现的许多多目标任务。
2020-02-11 cs.MA cs.RO
Decentralized Informative Path Planning with Exploration-Exploitation Balance for Swarm Robotic Search
University at Buffalo(布法罗大学)
群机器人搜索涉及在未知环境中搜索目标(例如,用于搜索和救援或危险定位),使用大量协作的简单移动机器人。在这样的应用中,分散的群系统被吹捧为他们的任务/覆盖范围的可扩展性,时间效率,和容错。为了指导这种群体系统的行为,有两大类方法可用,即自然启发的群体算法和多机器人搜索方法。然而,同时提供计算高效的可扩展性和对所展示的行为的基本见解(而不是黑盒行为模型),在这两类方法中的任一种下仍然具有挑战性。在本文中,我们开发了一个重要的扩展批量贝叶斯搜索方法的应用程序,体现群体系统,在物理二维空间搜索。主要贡献在于:1)设计一个采集功能,不仅平衡整个群体的探索和利用,而且还允许对轨迹上的知识提取进行建模; 2)开发其分布式实现,以允许群机器人进行异步任务推理和路径规划。由此产生的集体信息路径规划方法进行测试的目标搜索的情况下,研究不同的复杂性,目标产生的空间变化(可测量)的信号。显着优越的性能,在任务完成效率方面,观察到相比,穷举搜索和随机游走基线,以及良好的性能可扩展性,随着群体规模的增加。
2019-05-31 cs.MA cs.RO
Conflict-based Search for Multi-Robot Motion Planning with Kinodynamic Constraints
University of Colorado Boulder(科罗拉多大学博尔德分校);Technion(以色列理工学院)
多机器人运动规划(MRMP)是在运动动力学约束下,为多个机器人在一个环境中运动寻找无碰撞轨迹的基本问题。由于其复杂性,现有的算法要么利用简化的假设或不完整。这项工作介绍了kinodynamic冲突为基础的搜索(K-CBS),一个分散的(解耦)MRMP算法,是一般的,可扩展的,概率完整。该算法的灵感来自成功的解决方案,MRMP在有限图的离散模拟,称为多智能体路径查找(MAPF)。具体来说,我们适应的想法,从基于冲突的搜索(CBS)-一个流行的分散MAPF算法-MRMP设置。这种适应的新颖之处在于,我们直接在连续域中工作,而不需要离散化。特别是,Kinodynamic约束被本地处理。K-CBS使用低级规划器为每个机器人单独规划,并通过定义单个机器人的约束来生长冲突树以解决机器人之间的冲突。低级规划器可以是用于Kinodynamic机器人的任何基于采样的树搜索算法,从而将用于单个机器人的现有规划器提升到多机器人设置。我们表明,K-CBS继承了(概率)的低级别计划的完整性。我们说明的一般性和性能的K-CBS在几个案例研究和基准。
2022-07-01 cs.MA cs.RO
Quick Multi-Robot Motion Planning by Combining Sampling and Search
National Institute of Advanced Industrial Science and Technology (AIST)(国立先进工业科学技术研究所(AIST));University of Cambridge(剑桥大学);Tokyo Institute of Technology(东京工业大学)
针对传统多机器人运动规划两阶段模式效率偏低的问题,提出同步采样-搜索规划算法SSSP,同步开展路线图构建与路径搜索,在多场景下显著优于标准方法,可支持密集场景32台地面机器人规划。
2023-05-05 cs.MA cs.RO
Experimental Setup and Software Pipeline to Evaluate Optimization based Autonomous Multi-Robot Search Algorithms
Department of Mechanical And Aerospace Engineering, University at Buffalo(机械与航空航天工程系,布法罗大学);Department of Computer Science and Engineering, University at Buffalo(计算机科学与工程系,布法罗大学)
本文提出了一种新的实验室规模物理设置和开源软件流水线,使用声源和e-puck机器人评估多机器人搜索算法,填补了仿真与真实物理环境之间的测试空白。
2025-07-11 cs.MA cs.RO
Multi-Robot Searching Algorithm Using Levy Flight and Artificial Potential Field
Institute of Parallel and Distributed System (IPVS), University of Stuttgart(斯图加特大学并行与分布式系统研究所(IPVS));Institute for Biology of Inland Waters, Russian Academy of Sciences(俄罗斯科学院内陆水域生物学研究所)
提出结合Levy飞行和人工势场的多机器人搜索算法,通过实验验证其效率并开发通用框架。
2011-08-29 cs.RO cs.SY eess.SY
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
A Scalable and Adaptable Multiple-Place Foraging Algorithm for Ant-Inspired Robot Swarms
University of New Mexico(新墨西哥大学);Santa Fe Institute(圣塔菲研究所)
单个机器人在探索大片未绘制地图的区域时效率不高。另一种方法是使用一群简单的机器人一起工作,而不是一个高能力的机器人。中心地觅食算法(CPFA)是协调机器人群体搜索和收集任务的有效方法。机器人从中心位置(巢穴)开始,在没有全局定位或中央控制的情况下探索该区域的潜在目标,并将目标返回巢穴。CPFA的可扩展性是有限的,因为大量的机器人产生更多的机器人间的碰撞和大的搜索区域导致大量的旅行成本。我们解决这些问题的多地觅食算法(MPFA),它使用多个巢分布在整个搜索区域。机器人从一个随机分配的巢穴开始,但会带着找到的目标返回最近的巢穴。我们在机器人仿真器ARGoS中模拟了机器人群体的觅食行为,并采用遗传算法发现不同的优化觅食策略作为群体规模和目标数量的比例增加。在我们的实验中,MPFA总是产生更高的觅食率,更少的碰撞,和更低的旅行和搜索时间相比,CPFA的部分聚类目标分布。本文的主要贡献是,我们系统地量化的优点MPFA(减少旅行时间和碰撞),潜在的缺点(机器人之间的通信较少),和遗传算法的能力,调整MPFA参数,以减轻搜索效率低下,由于通信较少。
2016-12-01 cs.MA cs.RO
Multi-robot searching with limited sensing range for static and mobile intruders
Department of Electrical Engineering and Computer Science(电气工程与计算机科学系);Indian Institute of Science Education and Research, Bhopal, India(印度科学教育与研究学院,布里帕尔,印度);Department of Computer Science(计算机科学系);Indian Institute of Technology, Mumbai, India(印度理工学院,孟买,印度);Department of Applied Mathematics and Statistics(应用数学与统计学系);Stony Brook University, United States(石溪大学,美国);Nirma University, Ahmedabad, India(尼尔马大学,艾哈迈德abad,印度)
本文研究有限感知多机器人在正交多边形域中搜索静态与移动入侵者的问题,证明其NP难性,并提出基于空间填充曲线、随机搜索与协作随机搜索的高效鲁棒算法,分析机器人数量与搜索时间的权衡。
2025-11-05 cs.CG cs.CR cs.MA
Learning-Augmented Model-Based Multi-Robot Planning for Time-Critical Search and Inspection Under Uncertainty
Department of Computer Science, George Mason University(计算机科学系,乔治·马歇尔大学)
针对时间关键的搜索与检查任务,提出一种结合图神经网络预测与模型规划器的多机器人框架,在不确定性下优先检查高需求区域,模拟实验显示性能提升至少16.3%-26.2%,并在四旋翼平台上验证。
2025-07-08 cs.MA cs.RO
Graph-based Simultaneous Coverage and Exploration Planning for Fast Multi-robot Search
Carnegie Mellon University(卡内基梅隆大学)
在大型未知环境中,通过并行化工作,使用多机器人舰队可以使搜索操作更加省时。这意味着机器人必须有效地执行协作映射(探索),同时搜索受害者的区域(覆盖范围)。以前的同步绘图和规划技术将这些问题视为单独的,并且没有利用统一方法的可能性。我们提出了一种新的探索覆盖规划器的桥梁映射和搜索域的随机树的增长集植根于通过映射产生的姿态图,以生成感兴趣的点,或任务。此外,重要的是,机器人首先优先考虑高信息任务,通过平衡覆盖和探索,在最短的时间内找到最多的受害者,这是目前的方法没有解决的。为了实现这一目标,我们还提出了一个新的多机器人任务分配器,制定了一个概念的层次信息启发式的时间关键的协作搜索。我们的研究结果表明,我们的算法产生了20%以上的覆盖效率,定义为平均每秒覆盖面积,与现有的最先进的。我们的算法和我们的多机器人搜索堆栈的其余部分是基于ROS和开源
2023-03-03 cs.MA cs.RO cs.SY
Scalable Accelerated Decentralized Multi-Robot Policy Search in Continuous Observation Spaces
MIT(麻省理工学院);Northeastern University(东北大学);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心);Boeing Research & Technology(波音研究与科技部)
本文首次提出了求解\emph{continuous-observation}分散部分可观测马尔可夫决策过程(Dec-POMDP)及其半马尔可夫对应过程Dec-POSMDP的方法。这一贡献在机器人技术中尤其重要,因为大量传感器提供连续的观测数据。采用基于随机核的有限状态自动机(SK-FSA),介绍了一种连续观察策略表示。介绍了一种名为“基于熵的策略搜索使用连续核观测(EPSCKO)”的SK-FSA搜索算法,并将其应用于有史以来第一个连续观测Dec-POMDP/Dec-POSMDP域,在该域中,它的性能显着优于最先进的离散方法。这种方法同样适用于Dec-POMDPs和Dec-POSMDP,尽管由于Dec-POSMDP具有更高的可扩展性,因此实证分析主要集中在Dec-POSMDP上。为了提高收敛性,连续和离散观测情况下的熵注入策略搜索加速方法也被开发和证明,以提高收敛速度,而不会降低政策质量。
2017-03-16 cs.MA cs.RO
Applying Ground Robot Fleets in Urban Search: Understanding Professionals' Operational Challenges and Design Opportunities
George Mason University(乔治·马歇尔大学);Virginia Tech(弗吉尼亚理工学院)
本文探讨了在城市搜索中应用地面机器人队伍对公共安全专业人员操作挑战的影响,提出了减轻认知和体力负担的设计机会。
2026-02-04 cs.HC cs.RO
Collaborative Multi-Robot Systems for Search and Rescue: Coordination and Perception
University of Turku(图尔库大学);Tampere University(坦佩雷大学)
近年来,自主或遥控机器人在民用应用中发挥着越来越重要的作用。在机器人可以支持人类操作员的不同民用领域中,它们可以产生更大影响的领域之一是搜索和救援(SAR)行动。特别是,多机器人系统有可能大大提高搜索救援人员的效率,更快地搜索受害者,对环境进行初步评估和测绘,实时监测和监视搜索救援行动,或建立紧急通信网络,等等。SAR操作包括各种各样的环境和情况,因此异构和协作的多机器人系统可以提供最大的优势。在本文中,我们回顾和分析现有的方法,多机器人SAR支持,从算法的角度来看,并把重点放在方法,使机器人之间的协作,以及通过机器视觉和多智能体主动感知先进的感知。此外,我们把这些算法的不同的挑战和约束的背景下,各种类型的机器人(地面,空中,水面或水下)在不同的SAR环境(海上,城市,荒野或其他灾后场景)遇到。这是,据我们所知,第一次审查考虑异构SAR机器人在不同的环境中,同时提供两个免费的观点:控制机制和机器感知。基于我们对最先进技术的回顾,我们讨论了主要的开放研究问题,并概述了我们对当前方法的见解,这些方法有可能提高多机器人SAR系统的真实性能。
2020-08-28 cs.LG cs.MA cs.RO
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
Maintaining Plasticity in Reinforcement Learning: A Cost-Aware Framework for Aerial Robot Control in Non-stationary Environments
Necmettin Erbakan University(内吉梅丁·埃尔巴坎大学);University of Bristol(布里斯托大学)
本文针对非平稳环境下空中机器人长期强化学习中的策略可塑性丧失问题,提出基于回顾性成本机制的成本感知框架,通过动态调整学习率平衡奖励与损失,在变化风条件下实现无崩溃悬停控制,休眠单元比PPO加L2正则化减少11.29%。
2025-03-10 cs.RO
Robótica Móvel e Inteligência Artificial para Investigação, Competição e Automatização de Sistemas Industriais
Universidad Tecnológica del Uruguay(乌拉圭技术大学)
近年来,由于一些工厂的生产方式加快,机器人用于增强某些流程的实施变得流行。在这种背景下,机器人技术出现了,首先是固定机器人,最近是移动机器人,即空中和地面机器人。它们可以用于功能内的限定过程,主要是固定机器人,但也可以用于更广泛领域的研究甚至竞争。本工作总结了一个地面移动机器人模型的建设,使人工智能的研究和比赛的目的,所有这些与基本的传感器,可用于工业。
2022-10-20 cs.RO
Towards Deep Robot Learning with Optimizer applicable to Non-stationary Problems
Nara Institute of Science and Technology(奈良先端科学技术大学院大学)
本文提出了一种新的深度学习优化器,名为d-AmsGrad。在真实世界的数据中,噪声和离群值不能从用于学习机器人技能的数据集中排除。对于那些通过实时的收集数据来学习的机器人来说,这个问题尤其突出,而这些数据是无法手动分类的。因此,已经开发了几种噪声鲁棒优化器来解决这个问题,其中一种名为AmsGrad的优化器是Adam优化器的变体,它证明了它的收敛性。然而,在实践中,它并没有提高机器人场景中的学习性能。这个原因被假设为大多数机器人学习问题是非平稳的,但是AmsGrad假设学习期间的最大二阶动量是平稳给定的。为了适应非定常问题,提出了一种使最大二阶动量缓慢衰减的改进方案。所提出的优化器具有相同的能力,达到全局最优的基线,其性能优于基线的机器人问题。
2020-07-31 cs.LG cs.RO stat.ML
A behavioural transformer for effective collaboration between a robot and a non-stationary human
University of Edinburgh(爱丁堡大学);Honda Research Institute Europe(欧洲本田研究院);The Alan Turing Institute(艾伦·图灵研究所)
本文提出基于元学习框架的行为变换器BeTrans,利用条件变换器处理人机协作中人类行为非平稳性问题,在模拟环境中实现比SOTA更快的适应与有效协作。
2023-07-25 cs.AI cs.LG cs.RO
Evaluation of Smartphone IMUs for Small Mobile Search and Rescue Robots
ShanghaiTech University(上海科技大学)
小型移动机器人是搜救机器人的一个重要类别。将所有必要的组件集成到这样的小型机器人中是一项艰巨的工程任务。智能手机已经被工业界制造得体积小、重量轻、价格便宜,因此是作为此类机器人主控制器的绝佳候选者。在本文中,我们概述了如何在Android设备上使用ROS,然后评估一个对移动机器人非常重要的传感器:惯性测量单元(IMU)。在静态和动态条件下进行了实验,以测量三个智能手机和三个专业的IMU的IMU的误差。在实验中,我们使用的跟踪系统和自主移动机器人。
2019-12-03 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
Search-based Kinodynamic Motion Planning for Omnidirectional Quadruped Robots
Zhejiang University(浙江大学)
自主导航在四足机器人系统中发挥着越来越重要的作用。然而,大多数现有的作品四足机器人导航使用传统的基于搜索或基于样本的方法不考虑四足机器人的kinodynamic特性,产生kinodynamically不可行的部分,难以跟踪。在本文中,我们介绍了一个完整的导航系统,考虑到全向能力的四足机器人。首先,我们使用kinodynamic路径寻找方法,以获得光滑,动态可行,时间最优的初始路径,并添加碰撞成本作为软约束,以确保安全。然后基于四足机器人的全方位模型,采用时间弹性带(TEB)方法对轨迹进行了细化。我们的工作的优越性能,证明通过模拟和现实世界的实验,我们的四足机器人爵英迷你。
2021-03-11 cs.RO
Human-robot Collaborative Navigation Search using Social Reward Sources
Institut de Robòtica i Informàtica Industrial (CSIC-UPC)(机器人与工业信息研究所(CSIC-UPC))
提出了一种用于人机协同导航任务--人机协同搜索的社会奖励源(SRS)设计。它是一种灵活的方法,能够处理协作任务,人机交互和环境限制,所有这些都集成在一个共同的环境中。我们根据未探索区域的可观察性和隔离度对任务奖励进行建模,并通过不同级别的人机通信对模型进行评估。通过对代理人的个人表现和参与者的感知定性调查的定量评价,验证了模型。之后,使用先前的度量将三个建议的通信级别相互比较。
2019-09-10 cs.RO
A New Robot Arm Calibration Method Based on Cubic Interpolated Beetle Antennae Search Approach
Chongqing University of Posts and Telecommunications(重庆邮电大学);Swansea University(斯旺西大学)
工业机器人手臂对于智能制造非常重要。工业机器人手臂通常具有高重复定位精度,但其绝对定位精度较低,这极大地限制了其在汽车制造等高精度制造中的应用。针对这一热点问题,提出了一种基于三次插值甲虫天线搜索的机器人手臂标定方法。这项研究有三个想法:提出了一种新的CIBAS算法,该算法能有效地解决Beetle搜索算法中的局部最优问题; 2)利用粒子滤波器降低非高斯噪声的影响; 3)提出了一种新的CIBAS算法和粒子滤波器相结合的标定方法,用于搜索最优的运动学参数。在ABB IRB 120工业机器人手臂上的实验结果表明,所提出的方法实现了更高的校准精度比几个国家的最先进的校准方法。
2022-04-13 cs.RO
Multi-Objective Graph Heuristic Search for Terrestrial Robot Design
Massachusetts Institute of Technology(麻省理工学院)
我们提出的方法,共同设计刚性机器人的控制和形态(包括离散拓扑结构)在多个目标。以前的工作已经解决了单目标机器人协同设计或多目标控制的问题。然而,联合多目标协同设计问题是非常重要的生成能力,多功能,算法设计的机器人。在这项工作中,我们提出了多目标图启发式搜索,它扩展了单目标图启发式搜索从以前的工作,使一个高效的多目标搜索在组合设计拓扑空间。这种方法的核心,我们引入了一个新的通用的,多目标的启发式功能的基础上图神经网络,能够有效地利用不同的任务之间的权衡学习信息。我们展示了我们的方法,七个地面运动和设计任务的六个组合,包括一个三目标的例子。我们比较了不同方法捕获的Pareto前沿,并证明了我们的多目标图启发式搜索在定量和定性上优于其他技术。
2021-07-13 cs.RO
Multi-Agent Motion Planning For Differential Drive Robots Through Stationary State Search
Carnegie Mellon University(卡内基梅隆大学)
针对差速驱动机器人运动学限制,提出三层框架MASS,结合MAPF与静止状态搜索规划器及自适应窗口机制,在单次与终身多智能体运动规划中实现高达400%的吞吐量提升。
2024-12-17 cs.AI cs.MA cs.RO
Human-Robot Team Performance Compared to Full Robot Autonomy in 16 Real-World Search and Rescue Missions: Adaptation of the DARPA Subterranean Challenge
Monash University(莫纳什大学);CSIRO(澳大利亚联邦科学与工业研究组织)
人类-机器人团队中的人类操作员通常被认为是任务成功的关键。为了探索操作员输入对任务成功和团队绩效的直接和感知影响,基于DARPA地下挑战进行了16次真实任务(10小时)。这些任务是部署一个不同的机器人团队进行搜索任务,以定位和识别人工制品,如攀登绳,钻头和代表人类幸存者的人体模型。评价了两个条件:与没有人类操作员输入的自主任务(Robot-Autonomy)相比,人类操作员可以控制具有最先进自主性的机器人团队(Human-Robot Team)。人类-机器人团队通常处于定向自主模式(70%的任务时间),发现更多的物品,穿越更远的距离,覆盖更多独特的地面,并且在安全相关事件之间有更长的时间。人类-机器人团队在找到第一件神器方面更快,但对机器人团队的信息反应较慢。在常规条件下,伪影、距离和覆盖范围的评分相当。干预的原因包括创建路点以优先考虑高产地区,并在容易出错的空间中导航。在观察到机器人的自主性后,操作员报告说,机器人的能力和信任度有所提高,但即使在执行任务表现出色之后,机器人的行为也并不总是透明和可以理解的。
2022-12-11 cs.RO
Search-based Planning for Active Sensing in Goal-Directed Coverage Tasks
Carnegie Mellon University(卡内基梅隆大学)
机器人覆盖的路径规划是确定无碰撞机器人轨迹的任务,该轨迹观察环境中的所有兴趣点。用于此类任务的机器人通常能够在导航期间对机载观测传感器进行主动控制。在本文中,我们解决的问题,规划机器人和传感器的轨迹,最大限度地提高信息增益,在这样的任务中,机器人需要覆盖的兴趣点与其传感器的足迹。基于搜索的规划者一般保证完整性和可证明的边界次优相对于底层图离散化。然而,在机器人和传感器的状态变量的关节空间中搜索kinodynamically可行的路径与标准的搜索是计算昂贵的。我们提出了两种替代的基于搜索的方法来解决这个问题。第一个解决了机器人和传感器的轨迹独立地在解耦的状态空间,同时保持在搜索过程中的传感器航向的历史。第二种是两步方法,首先在解耦状态空间中快速计算解,然后通过在联合空间中搜索其局部邻域以获得更好的解来细化它。我们评估我们的方法在模拟与kinodynamically约束的无人驾驶飞行器执行覆盖在2D环境中,并显示其优点。
2020-11-14 cs.RO
Behavior-Tree-Based Person Search for Symbiotic Autonomous Mobile Robot Tasks
Leibniz University Hannover(汉诺威莱布尼茨大学)
我们考虑的问题的人搜索的移动社交机器人的情况下,不能单独解决的机器人。例如,物理打开关闭的门或操作电梯。基于行为树框架,我们创建了一个模块化的,易于扩展的动作序列,目标是找到一个人来帮助机器人。通过将行为树分解为离散时间马尔可夫链,我们获得了行动选项的成功概率和成功率的估计,特别是在机器人应该等待或搜索people.In现实世界的实验中,所提出的方法与其他常见的方法进行了比较,在一个星期的过程中,在两个不同的位置在大学建筑物的588个测试运行。我们表明,我们的方法优于其他方法的成功率和持续时间,直到找到一个人,并返回到起始位置。
2021-03-16 cs.RO
POMDPs for Robotic Arm Search and Reach to Known Objects
Florida Institute of Technology(佛罗里达理工学院)
我们提出了一种基于概率模型的方法,特别是POMDPs,计划优化搜索过程中的已知对象的智能眼手机械臂。在办公室里寻找和伸手去拿一个已知的物体(一支笔、一本书或一把锤子)是人类在日常活动中经常执行的一项操作。智能机器人手臂在其预期服务的各种应用中没有理由不会经常遇到这个问题。这个问题遭受来自两个缺乏信息的对象的位置,从嘈杂的传感器,不完美的模型的目标对象,不完美的环境模型,并从近似计算的不确定性。概率模型的使用帮助我们至少减轻了其中的一些挑战,接近这一重要任务的最优状态。
2017-04-26 cs.RO
Learning Hierarchical Object Maps Of Non-Stationary Environments with mobile robots
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学)
构建机器人环境的模型或地图是一个非常活跃的研究领域;然而,大多数现有技术构建非结构化地图并假设静态环境。在本文中,我们提出了一种算法,学习对象模型的非静止对象中发现的办公室型环境。我们的算法利用了这样一个事实,即在办公室环境中发现的许多对象看起来都很相似(例如,椅子,回收箱)。它通过两级分层表示来实现这一点,该表示将各个对象与对象类的通用形状模板链接起来。我们推导出一个近似EM算法学习形状参数的层次结构的两个级别,使用局部占用网格图表示形状。此外,我们开发了一个贝叶斯模型选择算法,使机器人能够估计环境中的对象和对象模板的总数。使用一个真正的机器人配备了激光测距仪的实验结果表明,我们的方法在学习简单的办公环境中基于对象的地图表现良好。该方法优于以前开发的非分层算法,模型对象,但缺乏类模板。
2012-12-12 cs.LG cs.RO stat.ML
Parallel Monte Carlo Tree Search with Batched Rigid-body Simulations for Speeding up Long-Horizon Episodic Robot Planning
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
我们提出了一种新的并行蒙特卡罗树搜索与批处理模拟(PMBS)算法,以加速长时间,情节机器人规划任务。蒙特卡罗树搜索(MCTS)是一种有效的启发式搜索算法,用于求解搜索空间可扩展的情景决策问题。PMBS利用基于GPU的大规模模拟器,将大规模并行性引入MCTS,通过批量执行大量并发模拟来解决规划任务,从而可以更有效、更准确地评估大型行动空间的预期成本。当应用到具有挑战性的操作任务的对象检索从杂波,PMBS实现了加速比$30\times$与改善的解决方案的质量,相比,串行MCTS实现。我们表明,PMBS可以直接应用到真正的机器人硬件可以忽略不计的模拟到真实的差异。补充材料,包括视频,可以在https://github.com/arc-l/pmbs上找到。
2022-07-14 cs.RO
Terrain-Aware Model Predictive Control of Heterogeneous Bipedal and Aerial Robot Coordination for Search and Rescue Tasks
Georgia Institute of Technology(佐治亚理工学院);College of Engineering and Petroleum, Kuwait University(科威特大学工程与石油学院)
本研究提出了一种面向搜救任务的异构机器人协同规划框架,结合高斯过程学习的地形感知MPC为双足和空中机器人生成安全路径并估计目标位置,利用scLTL和基于共识的算法进行任务分配,仿真验证了其有效性。
2024-09-23 cs.RO
Stop-N-Go: Search-based Conflict Resolution for Motion Planning of Multiple Robotic Manipulators
Sogang University(西江大学)
针对拥挤环境中多机械臂因共享空间导致目标位置被阻挡的运动规划问题,提出基于 A* 搜索的 Stop-N-Go 冲突解决方法,通过向轨迹插入暂停以最小化总完成时间,成功解决基线方法无法求解的挑战性实例。
2024-10-10 cs.RO
Generalized Lazy Search for Robot Motion Planning: Interleaving Search and Edge Evaluation via Event-based Toggles
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学)
惰性搜索算法可以有效地解决边缘评估是计算瓶颈的问题,如机器人运动规划的情况。这类算法中的最优算法LazySP将边缘评估限制为仅最短路径。这样做是以牺牲搜索工作为代价的,即,每次发现边无效时,LazySP都必须重新计算搜索树。当处理大型图形或高度混乱的环境时,这变得非常昂贵。我们的关键见解是需要平衡边缘评估和搜索工作,以最大限度地减少总规划时间。我们的贡献是双重的。首先,我们提出了一个框架,广义惰性搜索(GLS),无缝切换搜索和评估,以防止浪费的努力。我们表明,对于切换的选择,GLS是证明比LazySP更有效。第二,我们利用边缘概率的先验经验,得到GLS政策,最大限度地减少预期的规划时间。我们表明,GLS配备了这样的先验显着优于竞争对手的许多模拟环境中的R2,SE(2)和7自由度操纵的基线。
2019-07-22 cs.RO
On-line force capability evaluation based on efficient polytope vertex search
Inria(法国国家信息与自动化研究所);Bordeaux INP(波尔多国立理工学院);CNRS(法国国家科学研究中心)
基于椭球的可操作性度量常用于表征机器人的力/速度任务空间能力。虽然计算简单,但这种方法在很大程度上近似和低估了真实的能力。力/速度多面体似乎是一个更合适的表示来表征机器人的任务空间能力。然而,由于相关的顶点搜索问题的计算复杂性,多面体方法主要限于离线使用,例如作为辅助机器人机械设计的工具,机器人在工作空间中的放置和离线轨迹规划。提出了一种新的在线多面体顶点搜索算法。它利用了平行顶几何的致动器的约束。该算法显着降低了顶点搜索问题的复杂性和计算时间相比,常用的算法。为了突出所提出的算法的在线能力和其潜在的机器人控制,提出了一个具有挑战性的实验与两个合作的Franka Panda机器人,携带12公斤的负载。在这个实验中,负载分布适应在线,作为配置相关的任务空间的每个机器人的力的能力的函数,以避免,尽可能多地,他们的能力的饱和。
2020-11-10 cs.RO
Bald Eagle Search Algorithm for High Precision Inverse Kinematics of Hyper-Redundant 9-DOF Robot
B.M.S. College of Engineering(B.M.S.工程学院)
本文针对超冗余9自由度机器人逆运动学求解问题,比较多种元启发式优化算法,发现白头鹰搜索算法在末端执行器定位精度和位置误差方面表现最优。
2023-08-04 cs.RO
LIVE: Lidar Informed Visual Search for Multiple Objects with Multiple Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究提出LIVE多机器人视觉搜索方法,通过激光雷达检测未建图的短期特征并过滤以在线调整规划,结合CPP生成异构机器人高效全局规划,经双机器人室内实验验证,还配套发布数据模型与演示数据集。
2023-10-06 cs.RO
db-CBS: Discontinuity-Bounded Conflict-Based Search for Multi-Robot Kinodynamic Motion Planning
Technical University of Berlin(柏林工业大学)
提出 db-CBS,融合 CBS 与不连续性有界 A*,经三层冲突约束和轨迹优化实现异构多机器人动力学规划,成功率更高且成本更低。
2025-03-18 cs.RO
Search-Based Online Trajectory Planning for Car-like Robots in Highly Dynamic Environments
The Chinese University of Hong Kong(香港中文大学);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of the Chinese University of Hong Kong(香港中文大学深圳研究院)
本文提出了一种基于搜索的部分运动规划器,以产生动态可行的轨迹,车式机器人在高度动态环境。规划者通过探索建立在运动基元上的状态图来搜索平滑、安全和接近时间最优的轨迹,运动基元是通过离散化时间维度和控制空间生成的。为了实现快速的在线规划,我们首先提出了一个有效的路径搜索算法的基础上的运动基元的聚合和修剪。然后,我们提出了一个快速的碰撞检测算法,考虑到运动的障碍物的运动。该算法将机器人与障碍物之间的相对运动线性化,然后通过比较点-线距离来检查碰撞。该规划器利用快速搜索和碰撞检测算法,能够有效、安全地探索状态时间空间,生成近时间最优解。大量实验结果表明,该方法能够在毫秒级内生成可行轨迹,同时保持较高的成功率,具有明显的优越性。
2020-11-07 cs.RO
Anticipatory Human-Robot Path Planning for Search and Rescue
Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
在这项工作中,我们的目标是扩展现有的搜索和救援模式,允许无人驾驶飞行器(UAV)团队与地面上的人类搜索人员进行有效合作。我们得出一个框架,其中包括一个模拟的迷失者的行为模型,以及一个人类的行为模型,从过去的搜索任务收集的数据通知。这些模型一起用于创建失踪人员位置的概率热图和预期的飞行轨迹。然后,我们使用具有吉布斯核的高斯过程来精确地对有限视场(FOV)传感器进行建模,例如,热成像摄像机,我们从中得出一个风险度量,驱动无人机路径优化。我们的框架最终计算出一组无人机的搜索路径,以自主补充人类搜索者的努力。
2020-09-08 cs.RO
Development and Testing of a Vine Robot for Urban Search and Rescue in Confined Rubble Environments
本文提出一种受植物生长启发的藤蔓软体机器人,通过气动肌肉转向与反馈压力控制实现瓦砾环境中的穿透与导航,实验证明其可深入杂乱废墟并保持重复轨迹,适用于城市搜救任务。
2024-09-19 cs.RO
Planning to Score a Goal in Robotic Football with Heuristic Search
Moscow Institute of Physics and Technology(莫斯科物理技术学院);Federal Research Center for Computer Science and Control of Russian Academy of Sciences(俄罗斯科学院计算机科学与控制联邦研究中心)
研究了机器人足球比赛中的进攻规划问题。问题被简化为找到球从其当前位置到对手球门的轨迹。使用启发式搜索算法,即A*,来找到这样的轨迹。为了使该算法适用,我们引入了环境的离散化模型,即图,以及核心搜索组件:成本函数和启发式函数。两者都被设计为考虑游戏状态的所有可用信息。我们广泛地评估了建议的方法在模拟比较它的基线范围。进行评估的结果清楚地表明,利用启发式搜索的RoboCup上下文内的好处。
2020-08-04 cs.RO
KC-TSS: An Algorithm for Heterogeneous Robot Teams Performing Resilient Target Search
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出KC-TSS:K-termed-Traveling Salesman Based Search是一种故障弹性路径规划算法,用于在人类环境中执行目标搜索的异构机器人团队。我们将样本路径生成问题分为异构聚类和多个旅行商问题。这使我们能够为每个代理提供高质量的候选路径(即最小回溯,重叠)的信息理论效用函数。首先,我们从地图知识和目标预测模型中生成候选航点。所有这些候选人根据代理的数量和他们的覆盖空间的能力或覆盖能力进行聚类。每个代理解决一个旅行商问题(TSP)的实例在其分配的集群,然后候选人被馈送到一个效用函数的路径选择。我们进行了广泛的露台模拟和初步部署的真正的机器人在室内搜索和模拟救援场景与静态目标。我们将我们提出的方法与最先进的算法进行比较,并表明我们的方法能够在任务时间内胜过它。我们的方法通过在线重新计算全局团队计划,在单个或多个队友失败的情况下提供弹性。
2022-03-02 cs.RO
Targeted Parallelization of Conflict-Based Search for Multi-Robot Path Planning
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
本研究针对多机器人路径规划(MRPP),提出目标并行化策略加速基于冲突的搜索,通过分散并行探索或优先节点扩展,显著提升成功率与运行效率。
2024-03-15 cs.RO
Towards Intent-Aware Human-Robot Teaming: A Platform for Search-and-Rescue Operations
本文提出一个交互平台,用于研究复杂动态环境中人类操作员与异构自主智能体的协作,支持意图推断与决策,并在搜索救援任务中验证自主系统对操作员感知、决策和行动的辅助程度。
2026-09-23 cs.RO
SRMP: Search-Based Robot Motion Planning Library
Amazon Robotics(亚马逊机器人)
针对现有运动规划框架难以满足高风险应用可预测性与可复现性要求的问题,研究团队提出专为机器人操作定制的SRMP框架,可生成一致可靠轨迹,支持多机器人操作与多平台集成,经评估满足工业级严苛要求并树立运动规划一致性新标准。
2025-09-29 cs.RO
A New 4-DOF Robot for Rehabilitation of Knee and Ankle-Foot Complex: Simulation and Experiment
University of Tehran(德黑兰大学);Harvard Medical School(哈佛医学院);Tehran University of Medical Sciences(德黑兰医科大学);Yerevan State Medical University(埃里温国立医科大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
固定式机器人训练器是下肢康复机器人,其通常包含附接到固定基座的外骨骼。在用于同时进行膝关节和踝-足复杂关节的固定式训练器中观察到的问题是,由于这些训练器的自由度(DOF)不足,它们限制了踝-足在康复训练中的自然运动。本文设计了一种具有所有自由度的固定式膝-踝-足康复机器人。典型的康复训练首先在模拟中实施,然后在健康受试者上进行测试。结果表明,该系统功能正常,满足康复训练的要求。
2020-11-09 cs.RO cs.SY eess.SY
Trajectory-Optimized Sensing for Active Search of Tissue Abnormalities in Robotic Surgery
Robotics Institute at Carnegie Mellon University(卡内基梅隆大学机器人学院);Machine Learning Department at Carnegie Mellon University(卡内基梅隆大学机器学习系);Mechanical Engineering Department at Vanderbilt University(范德堡大学机械工程系)
在这项工作中,我们开发了一种方法,用于引导机器人自动定位和找到解剖结构中存在的肿瘤和其他坚硬夹杂物的形状。我们的方法使用高斯过程模型的刚度分布和主动学习指导触诊路径的机器人。触诊路径被选择为使得它们最大化由主动学习算法提供的采集功能。我们的方法提供了灵活性,以避免机器人的路径中的障碍物,将机器人位置和传感器测量的不确定性,包括刚性夹杂物的位置,同时尊重机器人运动学的先验信息。据我们所知,这是文献中第一个在定位肿瘤时考虑所有上述条件的工作。该框架通过仿真和实验在三个不同的机器人平台上进行评估:6自由度工业臂,达芬奇研究工具包(dVRK)和可插入式机器人效应器平台(IREP)。结果表明,我们的方法可以准确地估计的刚性包裹体的位置和边界,同时减少勘探时间。
2018-05-16 cs.RO