Towards a Formal Specification for Self-organized Shape Formation in Swarm Robotics
Computer Science Department, COMSATS Institute of Information Technology, Islamabad, Pakistan（计算机科学系，COMSATS信息科技学院，伊斯兰堡，巴基斯坦）
针对群体机器人自组织形状形成过程缺乏形式化规范建模的问题，采用基于状态的Z语言对系统实体状态建模，验证了其有效性，为相关系统设计和多智能体仿真建模提供了基础。
2025-06-16 cs.AI cs.RO
Collective Behavior Clone with Visual Attention via Neural Interaction Graph Prediction
College of Computer Science and Technology at Zhejiang University（浙江大学计算机科学与技术学院）；Westlake University（西湖大学）；Max Planck Institute of Animal Behavior（马克斯·普朗克动物行为研究所）；University of Konstanz（康斯坦茨大学）
本文提出集体行为克隆框架，结合图变分自编码器学习群体交互图，并利用视觉注意力网络实现去中心化机器人在线邻居选择，在交互图和群体动作预测上优于已有方法。
2025-03-10 cs.RO
Towards Self-organized Large-Scale Shape Formation: A Cognitive Agent-Based Computing Approach
COMSATS Institute of Information Technology（COMSATS 信息技术学院）
群机器人系统目前被用于解决许多现实世界的问题。群体机器人的一个有趣的应用是结构和形状的自组织形成。群机器人系统中的一些关键挑战包括群规模约束、随机运动、机器人之间的协调、定位以及分散环境中的适应性。Rubenstein等人提出了一种用于千机器人群的系统（“Programmable self-assembly in a thousand-robot swarm”，Science，2014），该系统能够通过应用集体行为算法来仅与聚合形式的机器人形成固体形状。尽管基于Agent的方法已经在各种自组织形成的研究中提出，但是这些研究缺乏基于Agent的建模（ABM）方法以及在具有动态本地化的大群体中的结构复杂性和异质性方面的约束。基于认知主体的计算（CABC）方法能够对这种基于自组织的多主体系统（MAS）进行建模。在本文中，我们开发了一个仿真模型，使用ABM下CABC方法的自组织形状形成的群体机器人。我们提出了一个形状形成算法来验证我们的模型，并进行基于模拟的实验，为六个不同的形状，包括基于孔的形状。我们还展示了我们的模型的正式规范。仿真结果表明，所提出的方法具有鲁棒性的涌现行为的机器人的自组织形状形成。所提出的方法的性能进行评估机器人的收敛速度。
2017-11-17 cs.MA cs.RO nlin.AO
Distributed Data Storage and Fusion for Collective Perception in Resource-Limited Mobile Robot Swarms
Worcester Polytechnic Institute（伍斯特理工学院）
在本文中，我们提出了一种方法的分布式存储和数据融合的集体感知资源有限的机器人群。我们证明了我们的方法在分布式语义分类的情况下。我们考虑一组移动机器人，其中每个机器人运行一个预先训练的已知精度的分类器来注释环境中的对象。我们提供了两个主要的贡献：（一）一个分散的，共享数据结构的有效存储和检索的语义注释，专门为低资源的移动机器人;和（ii）一个基于投票的，分散的算法，以减少方差的计算注释存在不完善的分类。我们讨论的理论和实现的贡献，并进行了广泛的现实模拟实验，以评估我们的方法的性能。
2020-12-15 cs.RO
Evolution of Collective Behaviors for a Real Swarm of Aquatic Surface Robots
Instituto de Telecomunicações（电信研究所）；Instituto Universitário de Lisboa (ISCTE-IUL)（里斯本大学学院（ISCTE-IUL））；Faculdade de Ciências（理学院）
群机器人是一种很有前途的方法，用于协调大量的机器人。虽然以前的研究已经表明，进化机器人技术可以应用于获得强大的和有效的自组织行为的机器人群，大多数研究已经进行了模拟，并已进行了真正的机器人的少数已被限制在实验室环境。在本文中，我们首次展示了一个群体机器人系统与进化控制成功地运行在一个真实的和不受控制的环境。我们进化神经网络为基础的控制器在模拟典型的群体机器人任务，即归巢，分散，聚类和监测。然后，我们评估一个真正的群多达10个水面机器人的控制器的性能。我们的研究结果表明，进化的控制器成功地转移到真正的机器人，并实现了类似的性能在仿真中获得的性能。我们验证了进化的控制器显示基于群体智能的控制，即可扩展性，灵活性和鲁棒性的关键属性在真正的群体。最后，我们的概念验证实验中，通过结合多个进化的控制器，群执行一个完整的环境监测任务。
2016-02-02 cs.RO
Adaptive Self-Calibration for Minimalistic Collective Perception by Imperfect Robot Swarms
Worcester Polytechnic Institute（伍斯特理工学院）
针对群体感知MCP算法需已知传感器精度的现实局限，提出结合假设检验的ASDF自适应自校准方法，可大幅缓解精度未知导致的性能下降，甚至达到预先知晓精度的水平。
2024-10-28 cs.RO
Collective Decision-Making on Task Allocation Feasibility
School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）
针对机器人群组任务可行性评估难题，提出分布式可行性概念，采用基于多数决策的直接调制策略，实现同构场景下非临界机器人任务比时的可行性集体判定。
2024-05-13 cs.RO
Controlling Robot Swarm Aggregation through a Minority of Informed Robots
University of Namur（那慕尔大学）；Université Libre de Bruxelles（布鲁塞尔自由大学）
自组织聚合是群体机器人中一个研究得很好的行为，因为它是发展更高级的群体级响应的先决条件。在本文中，我们研究了分散算法的设计一群异构的机器人，自我聚集在不同的目标网站。以前的研究表明，包括作为群体的一部分，一些知情的机器人可以引导动态的聚合过程中的群体之间的可用聚合站点的理想分布。我们已经复制了以前的研究结果，使用一种简化的方法：我们删除了与机器人的通信协议相关的约束，并简化了控制机制，调节概率控制器的状态之间的转换。结果表明，与以前的，更复杂的，控制器获得的性能可以复制与我们的简化方法，提供了明显的优势，在物理机器人的便携性和灵活性。也就是说，我们的简化方法可以产生自组织的聚合反应，在一个更大的一组操作条件比可以实现的复杂控制器。
2022-08-26 cs.RO
Gradual Collective Upgrade of a Swarm of Autonomous Buoys for Dynamic Ocean Monitoring
Singapore University of Technology and Design（新加坡科技设计大学）；Massachusetts Institute of Technology（麻省理工学院）
配备环境传感器和分散式通信的自主水面车辆群为监测海洋和其他水体的动态特征带来了新一波诱人的可能性。然而，群体机器人设计中的一个关键挑战是异构系统的有效集体操作。我们提出了理论分析和现场实验的响应在动态区域覆盖的集体的22个自主浮标，其中4个单位升级到一个新的设计，使他们能够移动80%的速度比其他的。该系统能够在分钟的时间尺度上对数千平方米量级的区域变化做出反应。我们观察到，系统的这种部分升级大大提高了其平均响应能力，但不一定改善部署的空间一致性。这些实验表明，自主浮标的设计和合作控制规则中所描述的这项工作提供了一个有效的，灵活的，可扩展的解决方案，为水环境的普遍和持久的监测。
2018-08-31 cs.RO
Minimalistic Collective Perception with Imperfect Sensors
Worcester Polytechnic Institute（伍斯特理工学院）；Wageningen University & Research（瓦赫宁根大学及研究中心）
本文针对配备不完美传感器的极简群体机器人，从第一性原理推导出最优概率决策框架，并在集体频率估计场景中验证，即使在严重噪声下也能实现及时准确的估计。
2023-09-01 cs.RO
A Decentralized Mobile Computing Network for Multi-Robot Systems Operations
Singapore University of Technology and Design（新加坡科技设计大学）
集体动物行为是完全去中心化操作的典型例子，涉及复杂的集体计算，如鸟群的集体转向或蚂蚁的集体收获。这些系统为开发能够在动态环境中运行的容错和自我修复的多机器人系统提供了独特的灵感来源。具体来说，群体机器人技术出现了，并在这些前提下显着增长。然而，迄今为止，大多数群体机器人系统在文献中报道涉及基本的计算任务-平均值和其他代数运算。在本文中，我们介绍了一种新的集体计算框架的基础上的群集范式，它表现出的关键固有特征群：鲁棒性，可扩展性和灵活性。与边缘计算不同，集体计算框架是真正去中心化的，不需要用户干预或额外的服务器来维持其运行。该集体计算框架应用于集体地图绘制的复杂任务，其中多个机器人旨在协作绘制大区域的地图。我们的研究结果证实了合作策略的有效性，其鲁棒性的多个单位的损失，以及其可扩展性。此外，互连网络的拓扑结构被发现极大地影响集体行动的性能。
2018-10-13 cs.RO
Three Cases of Connectivity and Global Information Transfer in Robot Swarms
Institute of Parallel and Distributed Systems, University of Stuttgart（斯图加特大学并行与分布式系统研究所）
在这项工作中，我们考虑三种不同的情况下，机器人-机器人的相互作用和由此产生的全球信息传输的机器人群。这些机制定义了系统的合作属性，并可用于设计集体行为。这三种情况下演示和讨论的基础上，在一群微型机器人“茉莉花”的实验。
2011-09-20 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
Environment induced emergence of collective behaviour in evolving swarms with limited sensing
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Technology Innovation Institute（技术创新研究所）
为机器人群体设计控制器是一项挑战，因为人类开发人员通常无法很好地理解控制单个机器人的控制器的细节与群体行为之间的联系，而群体行为是群体成员与环境之间相互作用的间接结果。在本文中，我们调查是否进化的方法可以减轻这个问题。我们认为一个非常具有挑战性的任务，有限的传感和通信能力的机器人必须遵循梯度的环境特征，并使用差分进化来进化模拟机器人的神经网络控制器。我们进行了系统的研究，以衡量的灵活性和可扩展性的方法，通过改变规模的舞台和机器人的数量在群。实验证明了我们的方法的可行性，进化的机器人控制器诱导群体行为，解决了任务。我们发现，在最恶劣的条件下（环境线索最弱的情况下）进化出的解决方案是最灵活的，而且在种群规模方面存在一个最佳点。此外，我们观察到群体的集体运动，展示了真正的涌现行为，这在进化过程中并没有表现出来。
2022-04-11 cs.AI cs.RO
Swarm-Enabling Technology for Multi-Robot Systems
Singapore University of Technology and Design（新加坡科技设计大学）；Massachusetts Institute of Technology（麻省理工学院）
近年来，群机器人技术经历了快速的发展，主要是由专门的多机器人系统开发，以实现专门的集体行动。这些专门的平台通常在前面和中心设计有群集考虑。群集所需的关键硬件和软件元素通常深度嵌入并与特定系统集成。然而，鉴于低成本移动机器人数量的明显增加，从业者和爱好者可能会开始考虑通过最低限度地改造这种移动平台来组装成熟的集群。在这里，我们报告了这种技术的一个可能的实施例，该技术旨在使组装和研究群集在一系列通用机器人系统。这是通过将模块化和可转移的软件工具箱与由低成本和现成组件组成的硬件套件相结合来实现的。所开发的技术可以移植到相对广泛的机器人平台上，只需最小的更改和高水平的可扩展性。这群使能技术已成功地实现了两个不同的分布式多机器人系统，一群移动海洋浮标和一组商业陆地机器人。我们已经测试了这两个分布式机器人系统在执行集体探索和搜索的情况下，以及其他经典的合作行为的有效性。不同的群体行为的实验结果报告的两个平台在不受控制的环境中，没有任何支持的基础设施。相关软件库的设计允许无缝切换到其他合作行为，并且还提供了在平台上实现新设计的集体行为之前模拟它们的可能性。
2017-05-11 cs.RO
Counterfactual rewards promote collective transport using individually controlled swarm microrobots
University of Konstanz（康斯坦茨大学）；Centre for the Advanced Study of Collective Behaviour（集体行为高级研究中心）；The Abdus Salam International Centre for Theoretical Physics (ICTP)（阿卜杜勒·萨拉姆国际理论物理中心（ICTP））；Area Science Park（区域科学园）
针对独立控制微型机器人实现集体运输的挑战，研究采用多智能体强化学习与反事实奖励机制，为多达200个微型机器人生成高效鲁棒的控制策略，实现任意位置和方向的货物集体运输，有望推动微型机器和药物递送等应用。
2024-12-18 cond-mat.soft cs.RO
Purely vision-based collective movement of robots
Science of Intelligence Excellence Cluster（科学智能卓越集群）；Technical University Berlin（柏林工业大学）；Institute for Theoretical Biology, Humboldt University Berlin（柏林洪堡大学理论生物学研究所）；Centre de Recherches sur la Cognition Animale, Centre de Biologie Intégrative, Université de Toulouse（法国图卢兹大学动物认知研究中心、整合生物学中心；法国国家科学研究中心、图卢兹第三大学）；CNRS, UPS, France（德国康斯坦茨大学计算机与信息科学系）；Department of Computer and Information Science, University of Konstanz, Konstanz, Germany（柏林计算神经科学伯恩斯坦中心）；Bernstein Center for Computational Neuroscience Berlin, Berlin, Germany
本研究提出一种去中心化、纯基于视觉的陆地机器人集群框架，机器人仅通过极简视觉交互和机载计算即可实现无碰撞极化运动，仿真表明其在受限视野和空间内仍能涌现有序群体运动。
2024-06-24 cs.RO
Review on Efficient Strategies for Coordinated Motion and Tracking in Swarm Robotics
Middlesex University（密德萨斯大学）
群体机器人是一种创造性的组织多机器人结构的方法，由许多受公共昆虫影响的基本机器人组成。群体机器人最令人惊讶的属性是它们能够一起工作以实现集体目标。本文讨论了目前的调查，问题和算法，刺激在群体机器人协调运动的研究。群机器人运动的算法进行了对比，考虑到群体微型机器人完成聚合，创建，并通过对比算法和仿真之间的相关计算仿真。
2023-02-13 cs.RO
Federated Reinforcement Learning for Collective Navigation of Robotic Swarms
The University of Manchester（曼彻斯特大学）；Czech Technical University in Prague（布拉格捷克理工大学）；Durham University（杜伦大学）
深度强化学习（DRL）的最新进展通过允许自动控制器设计而为机器人技术做出了贡献。群机器人系统需要比单个机器人系统更复杂的控制器来引导期望的集体行为，自动控制器的设计是群机器人系统设计的关键方法。虽然基于DRL的控制器设计方法显示了其有效性，但在机器人-服务器通信不稳定或有限的现实环境中，对中央训练服务器的依赖是一个关键问题。我们提出了一种新的联邦学习（FL）为基础的DRL训练策略（FLDDPG）用于群体机器人应用。通过在有限通信带宽的情况下与基线策略的比较，结果表明，FLDDPG方法导致更高的鲁棒性和推广能力到不同的环境和真实的机器人，而基线策略受到通信带宽的限制。这一结果表明，所提出的方法可以使在通信带宽有限的环境中操作的群机器人系统受益，例如，在高辐射、水下或地下环境中。
2022-09-11 cs.LG cs.RO
Collective Ranking of Environmental Signals through Gaussian Belief Propagation in a Patrolling Robot Swarm
University of Bristol（布里斯托尔大学）
该研究针对多机器人巡逻的环境信号集体排序问题，提出基于高斯信念传播（GBP）的方法，经仿真与硬件实验验证，其性能优于两种基准平均方法，在噪声增大时表现更稳健。
2026-08-19 cs.RO
Congestion and Scalability in Robot Swarms: a Study on Collective Decision Making
École Polytechnique de Montréal（蒙特利尔高等理工学院）；University of Konstanz（康斯坦茨大学）
针对机器人群体二元集体决策中的通信与移动拥塞问题，本文在最多150台机器人的物理仿真中比较三种方法，发现 Division of Labor 结合版本化局部通信最能降低拥塞并提升可扩展性。
2023-07-17 cs.MA cs.RO
Emergent naming conventions in a foraging robot swarm
Université Libre de Bruxelles（布鲁塞尔自由大学）；University of Sheffield（谢菲尔德大学）；Italian National Research Council（意大利国家研究委员会）
在这项研究中，我们调查的命名约定出现在一群机器人，集体觅食，也就是说，收集资源，从多个来源的环境。在觅食时，蜂群探索环境，并就如何利用可用资源做出集体决定，要么选择单一来源，要么同时利用多个来源。与此同时，机器人在本地交换消息，以便就如何命名每个源达成一致。在这里，我们研究了任务诱发的互动网络和紧急命名约定之间的相关性。特别是，我们的目标是确定是否互动网络的动态足以确定一个新兴的词汇，这是潜在的有用的机器人群。语言惯例要发挥作用，就必须是紧凑的和有意义的，也就是说，必须是对环境和集体决策的相关特征的最低限度的描述。我们发现，为了获得一个有用的词汇，任务依赖的交互网络本身是不够的，但它必须结合语言和觅食动态之间的相关性。在这些结果的基础上，我们提出了一个分散的集体分类算法，使群体实现一个有用的-紧凑和有意义的-命名的所有可用的来源。了解有用的语言惯例如何出现有助于设计具有潜在改进的自主性，灵活性和自我意识的机器人群。
2022-05-02 cs.MA cs.RO
Learning to Imitate Spatial Organization in Multi-robot Systems
School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）
针对无群体控制器信息下重构机器人群集体行为的问题，提出将先验演示转化为多智能体交互特征并结合MA-GAIL重构行为的方法，在空间组织任务上优于现有算法，为群体行为分析测试提供新途径。
2024-08-22 cs.MA cs.RO
Proactive-reactive detection and mitigation of intermittent faults in robot swarms
IRIDIA；Université Libre de Bruxelles（布鲁塞尔自由大学）；SAAS
针对机器人群体中因网络拓扑瞬变而难以检测的间歇性故障，提出基于自组织备份层和多路网络分布式共识的主动-被动策略，实现高精度检测与低误报率缓解。
2026-05-30 cs.MA cs.RO cs.SY
Show me what you want: Inverse reinforcement learning to automatically design robot swarms by demonstration
Université libre de Bruxelles（布鲁塞尔自由大学）
自动设计是生成机器人群控制软件的一种很有前途的方法。到目前为止，自动设计依赖于任务特定的目标函数来指定所需的集体行为。在本文中，我们探讨的可能性，指定所需的集体行为，通过示范。我们开发Demo-Cho，一种自动设计方法，将逆强化学习与机器人群控制软件的自动模块化设计相结合。我们表明，只有在演示的基础上，而不需要提供一个明确的目标函数，Demo-Cho成功地生成了控制软件来执行四个任务。我们目前在模拟和物理机器人获得的结果。
2023-01-17 cs.LG cs.RO
Collective Bayesian Decision-Making in a Swarm of Miniaturized Robots for Surface Inspection
University of Groningen（格罗宁根大学）；University of Southern California（南加州大学）；Princeton University（普林斯顿大学）
本研究提出一种基于振动传感的微型机器人集群表面检测实验装置，研究贝叶斯双结果决策算法，开发仿真优化框架，提出新信息共享策略，在100次仿真和10次真实实验中使平均决策时间最多缩短20.52%，准确率仅损失0.78%。
2025-07-10 cs.RO cs.SY eess.SY
SyncSBC: Decentralized Swarm Behavior Prediction for Synchronized Autonomous Control
Kahlert School of Computing, University of Utah（犹他大学卡勒特计算学院）
SyncSBC 是一种去中心化方法，结合机器学习与分布式共识实现群体行为分类及决策同步，准确率高、延迟低，可用于机器人异常识别与行为协同。
2026-08-10 cs.AI cs.RO
Decentralised construction of a global coordinate system in a large swarm of minimalistic robots
Tomas Bata University in Zlín（兹林托马斯巴塔大学）；New Jersey Institute of Technology（新泽西理工学院）；Université Libre de Bruxelles（布鲁塞尔自由大学）；University of Sheffield（谢菲尔德大学）
机器人群体的集体智慧和自主性可以通过使单个机器人意识到它们是一个更大的整体的组成单元以及它们的角色来提高。在这项研究中，我们提出了一种算法，使位置自我意识在一群极简主义的容易出错的机器人，只能在本地广播消息，并估计距离他们的邻居。尽管无法测量传入消息的方位，但运行我们算法的机器人可以计算它们在以规则队形部署的群中的位置。我们通过多达200个Kilobot机器人的实验表明，这种位置的自我意识可以被机器人用来创建一个共享的坐标系，并动态地自我分配位置相关的任务。我们的解决方案比最先进的算法要求更少，并且包含集体噪声过滤机制。因此，它有一个扩展的机器人平台，它可以运行。所有机器人都是可互换的，运行相同的代码，并且不需要任何先验知识。通过我们的算法，机器人达到了集体同步，并且可以自主地意识到群体的空间配置及其在其中的位置。
2023-02-28 cs.AI cs.RO
Swarmrobot.org - Open-hardware Microrobotic Project for Large-scale Artificial Swarms
Institute of Parallel and Distributed High-Performance Systems（并行与分布式高性能系统研究所）；University of Stuttgart（斯图加特大学）
本文的目的是给一个概述的开放硬件microrobotic项目swarmrobot.org和平台茉莉花建立大规模的人工蜂群。该项目的目标是开放式开发具有成本效益的硬件和软件，以快速实现真实机器人的群体行为。制作机器人的详细说明，开源模拟器，软件库和有关执行实验的多个出版物已准备好供下载，旨在促进集体和涌现现象的探索，引导自组织和实验方式的群体机器人。
2011-10-26 cs.MA cs.RO
A Minimal Model for Emergent Collective Behaviors in Autonomous Robotic Multi-Agent Systems
Department of Cybernetics, Czech Technical University in Prague（控制论系，布拉格捷克技术大学）
本文提出一个最小模型，利用相对位置、速度、局部密度及两个可调参数控制智能体动力学，实现无碰撞且灵活的集体行为，并扩展至认知自主系统以实现能量感知相变，为多机器人系统提供稳健基础。
2025-08-13 cs.MA cs.RO
Decentralized shape formation and force-based interactive formation control in robot swarms
NIT - Tiruchirappalli（国家理工学院蒂鲁吉拉伯利分校）
本文提出一种基于行为的分布式形状形成方法，利用人工力交互维持群体编队完整性，以克服现有方法对领导者依赖和障碍物下变形的问题。
2023-09-03 cs.MA cs.RO
Emotional Metaheuristics For in-situ Foraging Using Sensor Constrained Robot Swarms
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Indian Institute of Science（印度科学学院）
我们提出了一种新的社会动物启发的情感群体智能技术。这种技术被用来解决一个流行的集体机器人问题的变体，称为觅食。我们通过模拟研究展示了基于饥饿和孤独等感觉的简单交互规则如何导致全局一致的涌现行为，从而使传感器受限的机器人能够解决给定的问题
2019-06-27 cs.AI cs.RO
Characterizing The Limits of Linear Modeling of Non-Linear Swarm Behaviors
University of Minnesota（明尼苏达大学）；Department of Computer Science & Engineering, University of Minnesota（明尼苏达大学计算机科学与工程系）
我们研究了集群行为的线性建模的限制，通过表征拐点，超过该拐点，集群集体行为的线性模型崩溃。我们考虑的问题是一个中心位置的对象收集任务。我们设计了一个线性模型，努力捕捉对象收集在机器人群从第一原则的基本动态，而不是广泛依赖于事后模型拟合。我们评估了我们的模型与多达8,000个机器人的模拟群，证明它准确地捕捉潜在的群体行为动力学时，可以近似使用平均场模型，当它不能，有限大小的影响存在。我们进一步将我们的模型应用于表现出非线性行为的群体，并表明它在某些情况下仍然提供准确的预测，从而为群体行为的线性建模建立更好的实际限制。
2022-01-29 cs.MA cs.RO
Collective Decision Making in Communication-Constrained Environments
University of Southampton（南安普顿大学）；School of Electronics and Computer Science, University of Southampton（南安普顿大学电子与计算机科学学院）
自主机器人群的主要任务之一是集体决定最佳可用选项。实现这一点需要代理之间的高质量通信，而这在现实环境中可能并不总是可用的。在本文中，我们介绍了通信约束的集体决策问题的环境中的某些领域限制代理的通信能力，无论是通过降低成功率或阻塞的通信渠道。我们提出了一个分散的算法映射环境特征的机器人群，以及改善集体决策的通信有限的环境中没有事先了解的通信景观。我们的研究结果表明，使一个集体意识到的通信环境可以提高收敛的速度，在通信限制的存在下，至少快3倍，而不牺牲准确性。
2022-07-19 cs.MA cs.RO
Leveraging Human Feedback to Evolve and Discover Novel Emergent Behaviors in Robot Swarms
University of Utah（犹他大学）
该研究提出结合自监督学习、人在回路反馈、新颖性搜索与聚类的框架，以自动发现并分类机器人群体的涌现行为。
2023-07-16 cs.LG cs.MA 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
How Swarms Differ: Challenges in Collective Behaviour Comparison
Department of Computer and Information Science（计算机与信息科学系）；Centre for the Advanced Study of Collective Behaviour（集体行为高级研究中心）；Zukunftskolleg（未来学院）
本文研究了群集行为比较中的挑战，提出了一种基于自组织映射的方法来识别特征空间中难以区分行为的区域。
2026-02-13 cs.RO
PACNav: Enhancing Collective Navigation for UAV Swarms in Communication-Challenged Environments
Czech Technical University in Prague（布拉格捷克技术大学）；Mohammed VI Polytechnic University（穆罕默德六世理工大学）
本文提出PACNav方法，通过路径持久性和路径相似性实现无人机集群在通信受限环境下的去中心化集体导航，并结合碰撞避免机制，经仿真和真实森林实验验证有效。
2024-04-20 cs.RO
Fast Collective Evasion in Self-Localized Swarms of Unmanned Aerial Vehicles
Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程学院）
本文提出一种受自然群体启发的分散式快速集体规避方法，使自定位无人机群利用机载传感器传播干扰器信息，实现安全逃离，并经过数值与实飞验证。
2024-08-20 cs.RO
A Minimalistic 3D Self-Organized UAV Flocking Approach for Desert Exploration
Universidade Federal da Paraíba（帕拉伊巴联邦大学）；Czech Technical University in Prague（布拉格捷克技术大学）；Technology Innovation Institute（技术创新研究院）
提出一种仅靠机载相对距离与方位、采用三维 Lennard-Jones 势函数的极简自组织无人机集群方法，并经九架无人机在 GNSS 拒止环境下验证。
2024-12-03 cs.RO
PACNav: A collective navigation approach for UAV swarms deprived of communication and external localization
Czech Technical University in Prague（布拉格捷克理工大学）；Ricerca sul Sistema Energetico (RSE) S.p.A.（意大利能源系统研究公司（RSE））
提出了一种基于持久性管理的集群导航方法（PACNav），用于实现无人机群的分散式集群导航。该技术基于在自然群体中观察到的群集和集体导航行为，例如牛群，鸟群，甚至是大群人。由于在自然群体中无法获得所有群体成员的全局和并发信息，因此这些系统使用局部观测来实现所需的行为。同样，PACNav仅依赖于对无人机相对位置的局部观测，这使得它适用于缺乏通信能力和外部定位系统的大机群。我们引入了新的概念，路径持久性和路径相似性，让每个群体成员分析其他成员的运动，以确定自己的未来运动。PACNav基于两个主要原则：（1）运动方向变化小的无人机具有高路径持久性，并且被其他无人机认为是可靠的领导者;（2）沿相似方向运动的无人机组具有高路径相似性，并且这样的组被认为包含可靠的领导者。该方法还嵌入了一个反应式避碰机制，以避免与群体成员和环境障碍物的碰撞。这种碰撞避免确保了安全性，同时减少了与指定路径的偏差。随着几个模拟实验，我们提出了一个真实世界的实验在一个自然森林中，展示了所提出的集体导航方法在具有挑战性的环境中的有效性和有效性。源代码作为开放源代码发布，使得可以复制所获得的结果，并促进社区继续研究。
2023-02-09 cs.MA cs.RO
Optimization of Collective Bayesian Decision-Making in a Swarm of Miniaturized Vibration-Sensing Robots
University of Groningen（格罗宁根大学）
本研究提出一种新颖的信息共享策略并优化参数，利用微型振动感知机器人集群执行二元检测任务，显著加快了决策时间并在复杂环境中保持稳健性能。
2024-12-19 cs.RO
Chemistry-Inspired Pattern Formation with Robotic Swarms
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
自组织的涌现模式可以广泛地在粒子相互作用中看到，产生复杂的结构，如化学元素和分子。受这些相互作用的启发，这项工作提出了一种新的随机方法，允许一群异构机器人以完全分散的方式创建紧急模式，仅依赖于本地信息。我们的方法包括建模的群配置作为一个动态的吉布斯随机场（GRF）和设置约束的邻居系统的启发化学规则，决定粒子之间的结合极性。使用GRF模型，我们确定每个机器人的速度，从而产生导致创建图案或形状的行为。模拟实验表明，该方法在产生各种图案的通用性，和一组物理机器人的实验表明，在潜在的应用的可行性。
2022-06-07 cs.RO
Occlusion-Based Cooperative Transport for Concave Objects with a Swarm of Miniature Mobile Robots
Worcester Polytechnic Institute（伍斯特理工学院）
本文提出一种基于遮挡的分散式群体搬运策略，通过向凹形物体空腔填充机器人形成“伪物体”，在不依赖先验几何知识与显式通信的条件下实现凹形物体的协作搬运。
2024-09-04 cs.RO
Roborobo! a Fast Robot Simulator for Swarm and Collective Robotics
UPMC（巴黎第六大学）；CNRS（法国国家科学研究中心）；NTNU（挪威科技大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
机器人是一个多平台，高度便携式，机器人模拟器的大规模集体机器人实验。机器人是用C++编写的，遵循KISS准则（“保持简单”）。因此，它的外部依赖性仅限于用于快速2D图形的广泛可用的SDL库。机器人基于Khepera/ePuck模型。它的目标是快速的单机器人和多机器人仿真，并已被用于十几个已发表的研究，主要涉及进化群体机器人，包括环境驱动的自适应和分布式进化优化，以及在线板载体现进化和体现形态发生。
2013-04-10 cs.AI cs.NE cs.RO
Intelligent Collective Escape of Swarm Robots Based on a Novel Fish-inspired Self-adaptive Approach with Neurodynamic Models
University of Guelph（圭尔夫大学）
本文提出一种鱼类启发的自适应方法，结合生物启发神经网络与神经动力学机制，实现群机器人在动态环境中集体无碰撞逃逸，仿真与实验验证其高效、灵活且鲁棒。
2024-02-06 cs.AI cs.RO cs.SY
SwarmNxt: Open-source Software-Hardware Platform for Fast and Agile Aerial Swarms
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）；Hong Kong University of Science and Technology（香港科技大学）
SwarmNxt是一个基于开源OmniNxt硬件的ROS 2软件平台，提供端到端工具包，通过六机分布式规划和四机板载深度估计实验，验证了快速敏捷的自主集群导航能力。
2026-09-11 cs.RO
Emergence of specialized Collective Behaviors in Evolving Heterogeneous Swarms
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本研究通过演化具有表型可塑性的模拟机器人群体，发现子群体涌现出专门化行为，群体性能依赖子群体交互，并设计了在线调节机制以提升整体性能和可扩展性。
2024-02-07 cs.AI cs.RO
Communication-Free Collective Navigation for a Swarm of UAVs via LiDAR-Based Deep Reinforcement Learning
Department of Mechanical Engineering, Ulsan National Institute of Science and Technology（机械工程系，釜山国立科学技术研究院）；Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology（机械工程系，韩国科学技术院）
本文提出一种基于激光雷达的深度强化学习方法，使无人机群在无通信和无外部定位的情况下实现稳健的集体导航。
2026-01-20 cs.AI cs.LG cs.MA
Thermodynamics-inspired Macroscopic States of Bounded Swarms
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Washington State University（华盛顿州立大学）
本研究借鉴热力学与流体相似性，提出类比压力、温度和密度的三个宏观属性，描述仅由吸引和排斥作用控制的蜂群行为，并验证其满足理想气体定律及维里方程，以量化蜂群集体行为。
2023-08-29 cs.RO nlin.AO physics.flu-dyn
Swarm-Inspired Generation of Collective Behaviors in Graph Dynamical Systems
Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；National University of Singapore（新加坡国立大学）
提出SIES框架，结合显式动力学与局部智能体，学习可泛化的局部交互规则，实现图上的可控同步控制与异配图表示学习。
2026-06-25 cs.LG cs.RO math.DS
Towards Affective Drone Swarms: A Preliminary Crowd-Sourced Study
Fordham University（福特汉姆大学）
无人机群是一组自主无人驾驶飞行器，作为一个集体实体。我们对无人机群的人性化感兴趣，让它们具备通过非语言动作对人类用户产生情感影响的能力。受最近观察者如何通过观看舞蹈动作而情感感动的研究结果的启发，我们调查了协调的无人机群运动是否以及如何对普通观众产生情感影响的问题。我们对Amazon Mechanical Turk的初步研究得出了一些有趣的发现，包括有希望的结果和挑战。
2018-05-31 cs.HC cs.RO
Bugs with Features: Vision-Based Fault-Tolerant Collective Motion Inspired by Nature
本文提出了一种基于视觉的容错集体运动方法，通过结合邻居的视觉尺寸估计和间歇性运动机制，提高群体鲁棒性，适用于多种运动模型。
2025-12-27 cs.MA cs.RO
Leaderless Swarm Formation Control: From Global Specifications to Local Control Laws
North Carolina Agricultural and Technical State University（北卡罗来纳农业技术州立大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
本文介绍了一种分布式无领导群体编队控制框架，以解决集体驱动一群机器人跟踪时变编队的问题。群的形成是由一个抽象的形状，外接的机器人的位置的凸包的轨迹，是独立的机器人的数量和它们在群中的顺序。对于每个机器人在群中，给定的全球规格的抽象形状参数的轨迹，所提出的框架合成的控制律，引导群跟踪所需的形成使用的信息，在机器人的本地邻居。为了这个目的，我们产生一个合适的本地参考轨迹，机器人控制器通过解决输入输出线性化问题的跟踪。在这里，我们选择群体输出作为抽象形状的参数。为此，我们设计了一个动态平均一致性估计器来估计抽象的形状参数。抽象的形状参数被用来作为群体状态反馈，以产生一个合适的机器人轨迹。我们证明了所提出的控制框架的有效性和鲁棒性，通过提供一组车一样的机器人在机器人和通信链路故障的存在下，协调集体导航的模拟。
2022-04-09 cs.RO cs.SY eess.SY
