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
Decentralized Aerial Transportation and Manipulation of a Cable-Slung Payload With Swarm of Agents
Indian Institute of Technology, Madras（印度理工学院马德拉斯分校）
本文针对无人机集群通过柔性缆绳运输载荷的问题，提出了基于人工势场的分布式控制方法，实现避障运输与姿态操控，并通过数值模拟验证了其在扰动和故障下的有效性。
2023-06-21 cs.MA cs.RO
Voluntary Retreat for Decentralized Interference Reduction in Robot Swarms
Georgia Institute of Technology（佐治亚理工学院）
在密集的机器人群中，空间干扰--表现为对物理空间的竞争--迫使机器人花更多的时间在彼此之间导航，而不是执行主要任务。本文提出了一种分散式算法，使个体机器人能够决定是否留在该区域并为整体任务做出贡献，或者腾出该区域，以减少干扰对群体整体效率的负面影响。我们开发这种算法的背景下，分布式收集任务，其中一组机器人收集和存放对象从一组位置到另一个在给定的区域。机器人不进行交流，只使用关于周围其他机器人存在的二进制信息来决定留下或撤退。我们说明了一个团队的真实机器人的实验算法的有效性。
2019-03-10 cs.MA cs.RO
Decentralized Connectivity-Preserving Deployment of Large-Scale Robot Swarms
Worcester Polytechnic Institute（伍斯特理工学院）；École Polytechnique Montréal（蒙特利尔工程学院）
我们提出了一个分散的和可扩展的方法部署的机器人群。我们的方法解决的情况下，群体必须达到多个空间分布的目标，并强制执行的约束，机器人网络不能分裂。我们工作背后的基本思想是在机器人形成的物理网络上构建一个逻辑树拓扑。逻辑树充当机器人用来强制连接约束的主干。本文研究并比较了两种构造逻辑树的算法：向外构造和向内构造。这些算法的不同之处在于机器人加入树的顺序：向外算法从树根开始并向目标生长，而向内算法以相反的方式进行。这两种算法都执行周期性的重新配置，以防止次优拓扑停止树的生长。我们的贡献是：（一）两种算法的制定;（二）在广泛的基于物理的模拟算法的比较;（三）通过真实的机器人实验验证我们的研究结果。
2018-06-01 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
CoDe: A Cooperative and Decentralized Collision Avoidance Algorithm for Small-Scale UAV Swarms Considering Energy Efficiency
School of Internet of Things, Xi’an Jiaotong-Liverpool University（物联网学院，西安交通大学利物浦大学）
本文提出CoDe算法，通过多智能体强化学习与新颖信用分配方案，解决小规模无人机群在连续动作空间下的协同避障与能效问题，实验证明其优于现有基准。
2025-07-14 cs.MA cs.RO
Decentralized Power-Optimal Coordination for Spacecraft Swarms Using Time-Varying Magnetorquer Actuation
Institute of Science Tokyo（科学技术院）；Japan Aerospace Exploration Agency（日本宇宙航空研究开发机构）
本文提出去中心化功率最优协调框架，联合设计交互图、频率分组与控制器增益，实现磁驱动航天器集群的稳定成形与轨道重构，并经千星仿真验证。
2026-10-02 cs.MA cs.SY eess.SY
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
Learning to Swarm with Knowledge-Based Neural Ordinary Differential Equations
University of Pennsylvania（宾夕法尼亚大学）
提出基于KNODE的框架，仅利用集群轨迹状态观测学习去中心化单机器人控制器，无需动作数据，并在2D与3D蜂拥任务中验证其可复现行为且可扩展规模。
2021-12-06 cs.MA cs.RO
Probabilistic Control of Heterogeneous Swarms Subject to Graph Temporal Logic Specifications: A Decentralized and Scalable Approach
我们开发了一个概率控制算法，$\texttt{GTLProCo}$，代理与异构动力学和目标的群体，受到高层次的任务规范。由此产生的算法不仅实现了分散控制的群体，但也显着提高了可扩展性的最先进的现有算法。具体来说，我们研究了一个设置中的代理移动沿节点的图形，和高层次的任务规范的群表示在最近提出的语言称为图形时序逻辑（GTL）。通过限制群在图的节点上的分布，GTL可以指定广泛的属性，包括安全性，进度和响应。$\texttt{GTLProCo}$，不可知的数量的代理组成的群体，控制的密度分布的群体在分散和概率的方式。为此，它合成了一个随时间变化的马尔可夫链建模的GTL约束下的密度分布的时间演化。我们首先确定一个子集的GTL，即达到避免规格，我们可以减少这样的马尔可夫链的合成，无论是线性或半定的计划。然后，在一般情况下，我们制定的马尔可夫链的合成作为一个混合整数非线性规划（MINLP）。我们利用问题的结构，提供了一个有效的顺序混合整数线性规划计划的信赖域解决MINLP。我们的经验表明，我们的顺序计划是至少三个数量级的速度比现成的MINLP求解器，并说明了$\texttt{GTLProCo}$在几个群体的情况下的有效性。
2021-06-29 cs.FL cs.MA cs.SY
Decentralized Multi-Floor Exploration by a Swarm of Miniature Robots Teaming with Wall-Climbing Units
Singapore University of Technology and Design（新加坡科技设计大学）
在本文中，我们考虑的问题，集体探索未知的动态环境与分散异构多机器人系统组成的两个变种的微型机器人的多个单元。第一种变体-轮式地面单元-是一群地面测绘机器人的核心，表现出可扩展性，鲁棒性和灵活性。在没有任何支持基础设施的情况下，这些属性在非结构化和动态环境中进行了系统的测试和定量评估。重复实验组的结果显示所有三个特征的一致性能，以及在系统运行时将单元注入系统的可能性。第二种变体的几个单元基于wheg的爬壁单元通过扩展平台间协调行为所需的分布式通信信道来支持地图机器人群同时探索多个楼层。虽然所获得的占用网格地图可能很大，但它们是完全分布的。没有一个机器人单元拥有的整体地图，这是不需要我们的合作路径规划策略。
2019-08-16 cs.MA cs.RO
Learning Self-Orchestration in Decentralized Agent Swarms
Harvard University（哈佛大学）
提出基于市场的后训练（MPT）框架，在去中心化智能体群体中联合学习动作策略与自组织协调，经多任务验证其性能优于整体式后训练，可提升群体的鲁棒性与扩展性。
2026-10-20 cs.AI cs.CL cs.MA
Decentralized Swarm Control via SO(3) Embeddings for 3D Trajectories
Department of Electrical and Computer Engineering, and the Ingenuity Labs Research Institute（电气与计算机工程系，以及创新实验室研究机构）；School of Computing and the Ingenuity Labs Research Institute（计算学院，以及创新实验室研究机构）
针对多智能体集群控制问题，提出基于SO(3)嵌入的去中心化方法，无需速度输入即可生成更广范围的稳定三维周期轨迹，设计相位控制器保证智能体均匀间距，经仿真与实验验证可适应复杂动力学与扰动。
2025-11-13 cs.MA cs.RO
Decentralized State-Dependent Markov Chain Synthesis with an Application to Swarm Guidance
本文提出去中心化状态依赖马尔可夫链综合（DSMC）算法，基于状态依赖共识协议实现指数收敛，并在概率群体引导仿真中验证了比已有算法更快的收敛速度。
2024-04-26 cs.MA math.DS math.OC
SwarmHarness: Skill-Based Task Routing via Decentralized Incentive-Aligned AI Agent Networks
Department of Computer Science（计算机科学系）；Western Michigan University（西部密歇根大学）
提出SwarmHarness去中心化协议，通过DHT注册、效用函数路由和Shapley值激励，实现无中心化计算集群的自我组织与任务分配。
2026-05-27 cs.AI cs.DC cs.MA
Benchmarking LLMs' Swarm intelligence
Gaoling School of Artificial Intelligence, Renmin University of China（人工智能学院，中国人民大学）
本文提出SwarmBench基准，在严格局部感知与通信的群体约束下评估LLMs多智能体协调能力，发现现有模型在长期规划与自适应策略上表现不足，并开源工具包以促进研究。
2025-10-15 cs.CL cs.MA
SPIN: Decentralized Swarm Control via Tensorized Policy Coordination
Zhaowen Fan（Fan 资深研究员）
提出SPIN框架，利用张量网络分解联合策略，将指数复杂度降为线性，并通过离线训练的神经符号管道实现边缘设备上的低延迟去中心化集群控制。
2026-07-21 cs.LG cs.MA cs.SI
Coordination of Drones at Scale: Decentralized Energy-aware Swarm Intelligence for Spatio-temporal Sensing
University of Leeds（利兹大学）
针对大规模时空感知中电池受限无人机群的协调难题，提出基于分布式多智能体集体学习（EPOS）的能量感知协调模型，在真实交通数据上实现车辆检测准确率提升46.45%、效率提升2.88%。
2023-10-11 cs.MA cs.RO
Sensor to Pixels: Decentralized Swarm Gathering via Image-Based Reinforcement Learning
Technion Israel Institute of Technology（技术学院以色列理工学院）
本研究提出了一种基于图像强化学习的去中心化蜂群聚集方法，通过结构化视觉输入提升多智能体系统的收敛效率。
2026-01-06 cs.LG cs.MA cs.SY
Urban Mobility Swarms: A Scalable Implementation
我们提出了一个系统，以协调“城市流动群”，以促进使用和安全的轻量级，可持续的交通，同时提高城市的活力和社区结构。这项工作借鉴了蟋蟀和萤火虫等夜间昆虫群的行为，从而将个体统一在分散的网络中。在这些情况下，协调自然会出现，并提供了一个令人信服的“人数优势”的证明。我们的工作适用于协调轻型车辆，如自行车，这是自动引入到特设的“群”，由同步脉动的光联合起来。我们将个人骑手建模为分散网络中的节点，并通过点对点消息协议和算法同步他们的行为，这保护了个人隐私。节点通过无线电广播，其传输范围被调整以定位群成员。然后，节点加入或断开与其他基于接近，适应动态变化的城市移动网络的拓扑结构。本文提供了我们的系统的技术描述，包括协议和算法，以协调从它出现的群集行为。我们还展示了其在代码，电路和硬件的实现，与系统原型上测试的城市自行车共享。在这样做的时候，我们展示了我们系统的可扩展性。我们的原型使用低成本组件，自行车共享计划管理分布在城市的自行车队，可以在城市规模上部署该系统。我们灵活、分散的设计允许额外的自行车与网络连接，从而增强其规模和影响力。
2020-07-13 cs.CY cs.MA
VariAntNet: Learning Decentralized Control of Multi-Agent Systems
Department of Computer Science, Technion Israel Institute of Technology（计算机科学系，技术学院以色列理工学院）
针对感知有限、无通信的简易多智能体集群的凝聚控制难题，提出基于深度学习的去中心化控制模型VariAntNet，通过可见图拉普拉斯损失提升凝聚力，在聚集任务中收敛速度达现有解析法两倍以上，适用于应急等时间敏感场景。
2025-09-02 cs.AI cs.LG cs.MA
Byzantine Resilience at Swarm Scale: A Decentralized Blocklist Protocol from Inter-robot Accusations
Boston University（波士顿大学）；Northeastern University（东北大学）
W-MSR（Weighted-Mean Subsequence Reduced）算法是分散多机器人系统拜占庭弹性设计的一种最新方法，该算法基于线性一致协议（Linear Consensus Protocol，LCP）中的离群值丢弃。虽然W-MSR提供了很好理解的理论保证，将强大的网络连接与底层共识的收敛联系起来，但该方法存在一些限制，无法大规模使用：（1）要容忍的拜占庭机器人的数量F应该是先验已知的，（2）每个机器人维护2F+1个邻居的要求对于大F是不切实际的，（3）信息传播受到F+1机器人独立地对共识属性进行局部测量以改变群决策的要求的阻碍，以及（4）W-MSR是特定于LCP的，并且不能推广到不在LCP上实现的应用。在这项工作中，我们提出了一个分散的块列表协议（DBP）的基础上，机器人之间的指控。指控是基于对不当行为的本地观察而做出的，一旦被整个网络中的合作机器人共享，就被用作计算阻止列表的图匹配算法的输入。DBP推广到不通过LCP实现的应用程序，是自适应的拜占庭机器人的数量，并允许通过多机器人系统的快速信息传播，同时减少所需的网络连接相对于W-MSR。在LCP类型的应用中，DBP减少了W-MSR的最坏情况下的连接要求从（2F+1）-连接到（F+1）-连接和传播新信息所需的合作观察者的数量从F+1到只有1个观察者。我们的经验表明，我们的方法拜占庭弹性规模数百机器人的合作目标跟踪，…
2023-01-17 cs.MA cs.RO
CIMAX: Collective Information Maximization in Robotic Swarms Using Local Communication
机器人群和移动传感器网络用于在各个领域和作业领域进行环境监测。特别是在其他不可访问的环境中，分散的机器人群可能是有利的，因为它们的测量的高空间分辨率和群体中的个体的故障的弹性。然而，这种机器人群可能需要能够在部署过程中补偿错位或适应环境的动态变化。在没有中央实体作为决策者的情况下，在通信能力有限的群体中达成集体决策可能是一项具有挑战性的任务。在这里，我们提出了CIMAX算法的集体决策，最大限度地提高收集的信息作为一个整体的群体。智能体根据各自的传感器读数进行协商，并最终做出集体向特定方向移动的决定，以便整个群体增加相关测量的数量，从而增加可访问的信息。我们使用模拟和真实的机器人实验来展示，测试和验证我们的算法。CIMAX被设计用于水下群体机器人，用于排除被称为“缺氧”的氧气耗尽现象。
2019-03-13 cs.MA
Bayesian Decentralized Decision-making for Multi-Robot Systems: Sample-efficient Estimation of Event Rates
University of Konstanz（康斯坦茨大学）
本文提出了一种基于贝叶斯的去中心化框架，使多机器人系统在样本效率下有效估计危险事件率，提升安全性和收敛速度。
2025-11-27 cs.MA cs.RO
Bio-Inspired Compact Swarms of Unmanned Aerial Vehicles without Communication and External Localization
Czech Technical University in Prague（布拉格捷克理工大学）
本文提出了一个独特的框架，用于在现实世界中部署分散的和独立于基础设施的同类飞行器群，而无需显式通信。这是群体研究的一个要求，它预计全球知识和通信将不会随着机器人的数量而扩展。本文提出的系统架构采用UVDAR技术直接感知局部邻域，实现群体成员的直接相互定位。该技术允许群系统的分散性和高可扩展性，例如可以在鱼群，鸟群或牛群中观察到。已经开发的生物启发的群集模型适用于在有障碍物的室外和室内环境中部署大颗粒群的现实世界。该模型的集体行为出现在一组本地规则的基础上直接观察的邻居只使用板载传感器。该模型是可扩展的，只需要本地感知代理和环境，不需要代理之间的通信。除了模拟场景，整个框架的性能和可用性进行了分析，在几个现实世界的实验与完全分散的无人机群部署在室外条件。据我们所知，这些实验是第一次部署分散的生物启发的小型无人机群，而不使用通信网络或共享绝对定位。整个系统可以在https://github.com/ctu-mrs上以开源的形式获得。
2023-03-06 cs.MA cs.RO cs.SY
Graph Attention-based Decentralized Actor-Critic for Dual-Objective Control of Multi-UAV Swarms
Department of Information Engineering, The Chinese University of Hong Kong, Shatin, N.T., Hong Kong, P.R.China（信息工程系，香港中文大学（深圳））
针对多无人机集群覆盖最大化与电池寿命延长的双目标控制问题，提出结合图注意力、actor-double-critic 和 KL 散度平衡机制的 GADC，并在理想与真实光线追踪环境中验证其优越性能。
2025-06-10 cs.AI cs.MA eess.SP
Towards Physically Talented Aerial Robots with Tactically Smart Swarm Behavior thereof: An Efficient Co-design Approach
University at Buffalo（布法罗大学）
本研究提出计算高效的协同设计框架，结合物理能力指标与改进的图强化学习架构，联合优化空中集群机器人的形态与战术行为，实验表明其任务性能优于固定帕累托设计方案。
2024-06-24 cs.MA cs.RO
Tracking Multiple Fast Targets With Swarms: Interplay Between Social Interaction and Agent Memory
Singapore University of Technology and Design（新加坡科技设计大学）；Thales Solutions Asia（泰雷兹亚洲解决方案公司）；University of Ottawa（渥太华大学）
搜索和跟踪多个目标是一项具有挑战性的任务。然而，在这方面的大多数作品不考虑躲避目标，移动速度比代理组成的多机器人系统。这是因为假设这些目标的移动模式，加上它们的速度太快，几乎不可能完成这项任务。在这项工作中，我们表明，情况并非如此，我们提出了一个分散的搜索和跟踪策略，在该策略中，由群进行的探索和开发的水平是可调的。通过调整群的探索和开发动态，我们证明了存在一个最佳的平衡之间的水平进行探索和开发。这种最佳化使其跟踪性能最大化，并根据目标的数量和目标的运动轮廓而变化。我们还表明，使用基于代理的内存是至关重要的，使一个逃避目标的跟踪。所得到的仿真结果进行了验证，通过实验测试与分散群的六个机器人跟踪一个虚拟的快速移动目标。
2021-08-16 cs.MA cs.RO
A Probabilistic Guidance Approach to Swarm-to-Swarm Engagement Problem
针对群对群作战问题，提出了一种概率制导方法。这个想法是基于驱动控制的群体对一个对手的群体，对手的群体的目标是收敛到一个固定的分布，对应于一个防御基地的位置。概率方法是基于设计一个马尔可夫链的分布的群体收敛到一个平稳的分布。这种方法是分散的，因此每个代理都可以独立于其他代理传播其位置。我们的主要贡献是制定的群到群的参与作为一个最优化问题，每个群体的人口衰减与每个参与，并确定所需的分布控制群收敛随时间变化的分布和消除代理的对手群，直到对手群进入防御基地的位置。我们证明了所提出的方法的有效性在几个群体参与的情况下。
2020-11-28 cs.MA math.DS math.OC
Towards Multi-robot Exploration: A Decentralized Strategy for UAV Forest Exploration
ETH Zürich（苏黎世联邦理工学院）
有效的勘探战略在诸如搜索和救援任务和灾害调查等任务中至关重要。无人机（UAV）在这些应用中变得特别受欢迎，有望以高速覆盖大面积。此外，随着机载无人机感知的日益成熟，研究重点已经转向单机器人和多机器人任务的高级推理。然而，自主导航和探索以前未知的大空间仍然是一个开放的挑战，特别是当环境混乱，并表现出大而频繁的闭塞，由于高障碍密度，如森林的情况。此外，在这样的场景中，远距离无线通信的问题可能成为一个限制因素，特别是在无人机群的自动导航时。本着这种精神，这项工作提出了一种探索策略，使无人机，无论是单独的还是小规模的，都能以分散的方式快速探索复杂的场景。通过为每个无人机提供决策能力以在不同的执行模式之间切换，所提出的策略在对完全未知的区域进行谨慎探索和对未知空间的较小区域进行更积极的探索之间取得了很大的平衡。这导致对密度可变的森林区域进行全覆盖，始终比最先进的速度更快。这项工作展示了使用单个无人机以及最多三个无人机的集群的成功部署，阐述了多根探索的基本原则杂乱的场景，在单架无人机情况下，速度可提高65%，在多架无人机情况下，在相同的任务时间内，探索区域可增加40%。
2023-01-20 cs.MA cs.RO
LLM-Foraging: Large Language Models for Decentralized Swarm Robot Foraging
Drexel University（德雷塞尔大学）；The University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德谷分校）
本文提出LLM-Foraging，通过在CPFA状态机中加入LLM战术决策器，使蚁群觅食控制器在无训练状态下适应不同配置，优于传统GA优化方法。
2026-05-02 cs.MA cs.RO
Learning Vision-based Flight in Drone Swarms by Imitation
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
今天部署的分散式无人机群要么依赖于代理之间的位置共享，要么依赖于视觉标记的帮助来检测群成员。本文提出了一种基于模仿学习的无标记无人机群的视觉协调方法。每个智能体都由一个小而高效的卷积神经网络控制，该网络将原始全向图像作为输入，并预测与群集算法计算的速度相匹配的3D速度命令。我们开始在仿真中训练，并提出了一个简单而有效的无监督领域自适应方法，将学习到的控制器转移到现实世界中。我们进一步训练控制器与我们的动作捕捉大厅收集的数据。我们表明，在无人机的视觉输入上训练的卷积神经网络不仅可以学习鲁棒的智能体间碰撞避免，而且可以以样本高效的方式学习群的凝聚力。神经控制器有效地学习在视觉输入中定位其他代理，我们通过可视化对代理运动影响最大的区域来显示。我们删除的依赖群成员之间的共享位置只考虑本地视觉信息的控制。因此，我们的工作可以被视为迈向完全分散的、基于视觉的群体的第一步，而不需要通信或视觉标记。
2019-08-08 cs.CV cs.LG cs.MA
AVOID-JACK: Avoidance of Jackknifing for Swarms of Long Heavy Articulated Vehicles
Chair for Computational Intelligence, Otto-von-Guericke-University（计算智能系，奥托·冯·格里克大学）；Fraunhofer Institute for Transportation and Infrastructure Systems IVI（交通与基础设施系统研究所）
本文提出一种基于反应的分布式 swarm 智能策略，用于避免长重型关节车辆的翻车和相互碰撞，通过模拟实验验证了其有效性。
2025-11-11 cs.AI cs.MA cs.RO
Local Communication Protocols for Learning Complex Swarm Behaviors with Deep Reinforcement Learning
School of Computer Science, University of Lincoln（林肯大学计算机科学学院）；Department of Electrical Engineering, Technische Universität Darmstadt（达姆施塔特技术大学电气工程系）
本文提出简单通信协议，利用深度强化学习在多机器人群环境中学习去中心化控制策略，通过直方图编码局部邻域关系并传输任务特定信息，如最短距离和方向，以完成协作任务。
2018-07-18 cs.AI cs.LG cs.MA
Buzz: An Extensible Programming Language for Self-Organizing Heterogeneous Robot Swarms
École Polytechnique de Montréal（蒙特利尔综合理工学院）；Royal Melbourne Institute of Technology（皇家墨尔本理工大学）
我们提出了Buzz，一种新的程序设计语言的异构机器人群。Buzz提倡一种组合方法，提供原语来从单个机器人和整个群体的角度定义群体行为。单机器人原语包括机器人特定的指令和邻域数据的操作。基于群的原语允许机器人团队的动态管理，并在整个群中共享信息。自组织源于Buzz运行时平台所基于的完全去中心化的机制。该语言可以扩展以添加新的原语（从而支持异构机器人群），并且其运行时平台被设计为位于其他框架之上，例如机器人操作系统。我们展示了Buzz的功能，通过提供代码的例子，并分析了可扩展性和鲁棒性的运行时平台，通过现实的模拟实验与代表性的群体算法。
2015-08-01 cs.MA cs.PL 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
Deep Reinforcement Learning for Swarm Systems
L-CAS University of Lincoln（L-CAS林肯大学）；Technische Universität Darmstadt（达姆施塔特技术大学）
本文提出了一种基于分布均嵌入的新状态表示方法，用于深度多智能体强化学习，以更有效地处理大规模同质群体系统的去中心化决策问题。
2019-06-06 cs.AI cs.LG cs.MA
Swarming Without an Anchor (SWA): Robot Swarms Adapt Better to Localization Dropouts Then a Single Robot
Czech Technical University in Prague（捷克技术大学）；University of Klagenfurt（克雷格福特大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；New York University Abu Dhabi（纽约大学阿布扎克分校）；Dubai Future Labs（迪拜未来实验室）
本文提出SWA方法，通过去中心化状态估计与相互感知融合，使无人机集群在自身定位丢失时仅靠相对信息维持稳定和速度一致，并通过仿真与实机实验验证其有效性。
2025-08-22 cs.MA cs.RO
PREVENT-JACK: Context Steering for Swarms of Long Heavy Articulated Vehicles
Fraunhofer Institute for Transportation and Infrastructure Systems IVI（交通与基础设施系统研究所）
本文提出PREVENT-JACK方法，通过融合六个局部行为，解决长重载 articulated 车辆群组的死锁和碰撞问题，通过15000次模拟验证了大群组和密集场景下的性能影响。
2026-04-23 cs.MA cs.RO
A Communication-Efficient Digital Twin Framework for PSO-Based Swarm Navigation and Obstacle Avoidance
University of Kaiserslautern (RPTU)（凯撒斯劳滕大学（RPTU））；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））
针对工业集群目标定位的避障与通信难题，提出部署于MEC服务器的DT辅助PSO框架，可减少通信负载、加快收敛，在复杂工业协同探索场景具有应用潜力。
2026-08-11 cs.MA cs.RO
LLM-Guided Decentralized Exploration with Self-Organizing Robot Teams
本研究提出一种基于大语言模型的自组织机器人团队探索方法，通过自主动态形成团队和自主确定探索目标，提升多团队探索的效率与鲁棒性。
2026-03-05 cs.MA cs.RO
The blockchain: a new framework for robotic swarm systems
MIT Media Lab（麻省理工学院媒体实验室）
大批机器人将彻底改变许多工业应用，从有针对性的材料交付到精准农业。然而，几个异构的特点，使他们理想的某些未来的应用-机器人自主性，分散控制，集体涌现行为等-阻碍了技术的发展，从学术机构到现实世界的问题。区块链是一种起源于比特币领域的新兴技术，它表明，通过将点对点网络与加密算法相结合，一组代理可以就特定的事务状态达成协议，并记录该协议，而无需控制机构。区块链与其他分布式系统（如机器人群系统）的结合可以提供必要的能力，使机器人群操作更加安全，自主，灵活，甚至有利可图。这项工作解释了区块链技术如何为群体机器人研究领域的四个紧急问题提供创新解决方案。通过提供案例场景和实例，描述了群机器人系统的新的安全性、决策、行为区分和商业模型。最后，限制和可能出现的问题，从这两种技术的组合进行了说明。
2017-06-25 cs.DC cs.ET cs.MA
Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration
University of Georgia（佐治亚大学）
本文提出一种通信高效的去中心化协作强化学习算法，通过分层局部信息交换协调群体机器人进行迷宫探索，在通信退化环境下显著提升覆盖精度与效率并降低成本。
2023-05-26 cs.AI cs.MA cs.NI
Inverse Reinforcement Learning in Swarm Systems
Technische Universität Darmstadt（达姆施塔特工业大学）
本文提出swarMDP框架，通过将群体特性融入去中心化部分可观测马尔可夫决策过程，将多智能体逆强化学习问题转化为单智能体问题，并提出适用于群体设置的异构学习方案，验证了该框架能生成有意义的局部奖励模型以复制全局系统动态。
2017-03-24 cs.AI cs.MA cs.SY
Using Information Invariants to Compare Swarm Algorithms and General Multi-Robot Algorithms: A Technical Report
Robotics Institute, School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）
机器人群体是分散的多机器人系统，其成员使用来自邻近邻居的本地信息来执行简单的反应控制律，从而导致涌现的集体行为。相比之下，一般多机器人系统的成员可以访问全局信息、全对全通信或复杂的审慎协作。文献中的一些算法适用于机器人群体。其他的则需要一般多机器人系统的额外复杂性。给定一个应用领域，系统设计者或管理操作者必须分别选择一个适当的系统或算法，使他们能够实现他们的目标，同时满足任务约束（例如带宽，能量，时间限制）。在本文中，我们比较了代表性的群体和一般的多机器人算法在两个应用领域-导航和动态区域覆盖-相对于几个指标（如完成时间，距离travel- elled）。我们的目标是描述每一类算法的特征，以便为工程师的离线系统设计决策或监督操作员的在线算法选择决策提供信息。我们的贡献是：（a）在两个应用领域的代表性群体和一般的多机器人算法的实证性能比较，（b）基于信息不变量理论的算法的比较分析，这提供了一个理论表征支持我们的实证结果。
2018-02-25 cs.IT cs.MA cs.RO
Secure and secret cooperation in robotic swarms
Massachusetts Institute of Technology（麻省理工学院）
本文提出利用默克尔树封装群体机器人任务蓝图，使机器人通过交换密码学证明验证同伴完整性，在觅食和迷宫编队任务中验证了无需知晓高层目标即可安全协作的可行性。
2021-04-01 cs.CR cs.DS cs.ET
