Resource-Aware Distributed Submodular Maximization: A Paradigm for Multi-Robot Decision-Making
Department of Aerospace Engineering, University of Michigan（航空航天工程系，密歇根大学）；Robotics Institute, University of Michigan（机器人研究所，密歇根大学）
本文提出了一种面向资源的分布式子模极大化算法，用于多机器人决策制定，平衡集中化与去中心化的资源需求与全局最优性。
2026-02-23 cs.AI cs.MA cs.RO
Distributed Resilient Submodular Action Selection in Adversarial Environments
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院与州立大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Maryland（马里兰大学）
在这封信中，我们考虑一个分布式子模块最大化问题的多机器人系统时，受到对手的攻击。多机器人系统面临的主要挑战之一是增加对故障或攻击的弹性。这对于受到攻击的分布式系统尤其重要，因为没有中央指挥点可以检测、减轻攻击并从攻击中恢复。相反，分布式多机器人系统必须有效地协调以克服对抗攻击。在这项工作中，我们的分布式子模块动作选择问题模型的情况下，每个机器人在一个多机器人系统有多个动作选择，可以满足一个全球性的目标，如探索或目标跟踪广泛的集合。为了在这种情况下增加弹性，我们提出了一个完全分布式的算法来指导每个机器人的动作选择时，系统受到攻击。所提出的算法保证在最坏情况下的性能，其中多达一部分的机器人故障，由于攻击。重要的是，所提出的算法也是一致的，因为它被证明是收敛到相同的解决方案作为一个集中式的方法。最后，一个分布式弹性多机器人探索问题，以确认所提出的算法的性能。
2021-05-15 cs.DS cs.GT cs.MA
Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection
University of Cambridge（剑桥大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Maryland（马里兰大学）
分散式多机器人目标跟踪问题要求联合选择动作，例如，运动基元，用于机器人通过本地通信最大限度地提高目标跟踪性能。实际实现的一个主要挑战是使目标跟踪方法可扩展到大规模的问题实例。在这项工作中，我们提出了一个通用的学习架构，以大规模的协作目标跟踪，分散的通信。特别是，我们的学习架构利用图神经网络（GNN）来捕获机器人的本地交互，并学习机器人的分散决策。我们训练的学习模型，通过模仿专家的解决方案，并实现所产生的模型，分散的行动选择只涉及当地的观察和通信。我们展示了我们的GNN为基础的学习方法的性能在一个场景中的主动目标跟踪与大型网络的机器人。仿真结果表明，我们的方法几乎匹配的专家算法的跟踪性能，但运行几个订单更快，多达100个机器人。此外，它的性能略优于分散式贪心算法，但运行速度更快（特别是超过20个机器人）。结果还展示了我们的方法在以前看不见的情况下的泛化能力，例如，更大的环境和更大的机器人网络
2022-09-14 cs.AI cs.LG cs.MA
Multi-Robot Coordination and Planning in Uncertain and Adversarial Environments
Virginia Tech（弗吉尼亚理工大学）；University of Maryland（马里兰大学）
部署一组能够仔细协调行动的机器人可以使整个系统对个别故障具有鲁棒性。在这份报告中，我们回顾了最近的算法发展，使多机器人系统对环境的不确定性，故障和对抗攻击具有鲁棒性。在多机器人协调领域的最新研究中，我们发现以下三个趋势：（1）弹性协调，以承受故障和/或攻击或从故障/攻击中恢复;（2）风险感知协调，以管理风险和回报的权衡，其中风险源于环境的不确定性;（3）基于图神经网络的协调，以学习分散的多机器人协调策略。这些算法已被应用于任务，如编队控制，任务分配和调度，搜索和规划，以及信息数据汇集。为了使多机器人系统成为现实，我们需要协调算法，可以扩展到大型团队的机器人处理动态变化，容易失败，有争议的，和不确定的环境。最近有大量关于多机器人协调的研究，这些研究为处理这些问题提供了弹性和风险意识算法，并缩小了理论与实践之间的差距。基于学习的方法被认为是有希望的，特别是因为它们可以学习谁、何时和如何进行有效协调的沟通。然而，这些算法也被证明容易受到对抗攻击，因此开发基于学习的协调策略，能够抵御此类攻击并对不确定性具有鲁棒性，是一个重要的开放研究领域。
2021-05-02 cs.RO
Human-in-the-Loop Multi-Robot Information Gathering with Inverse Submodular Maximization
Department of Computer Science, University of Southern California（计算机科学系，南加州大学）；Department of Electrical and Computer Engineering, University of Southern California（电气与计算机工程系，南加州大学）；U.S. Army DEVCOM Army Research Laboratory（美国陆军 DEVCOM 军事研究实验室）
本文提出了一种逆子模最大化方法，用于多机器人系统中人类监督者动态调整参数以实现信息采集优化。
2026-02-20 cs.RO
Multi-Robot Coordination in V2X Environments
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Halmstad University（哈姆斯塔德大学）
本文提出一种V2X通信框架，通过引入机器人中心的服务层服务实现复杂城市交通环境中社交机器人的去中心化协作。
2026-05-07 cs.RO
Multi-Robot Planning for Filming Groups of Moving Actors Leveraging Submodularity and Pixel Density
Carnegie Mellon University（卡内基梅隆大学）；Colorado School of Mines（科罗拉多矿业学院）
针对多空中机器人拍摄移动演员群体的协同规划难题，提出基于像素密度优化与次模最大化的视角规划方法，可隐式适配群体队形变化，性能全面优于基线方法。
2024-09-14 cs.RO cs.SY eess.SY
Submodular Optimization for Coupled Task Allocation and Intermittent Deployment Problems
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在本文中，我们证明了一个公式优化耦合次模最大化问题可证明的次最优性界。在机器人应用中，优化问题相互耦合，因此无法独立解决，这是很常见的。具体来说，我们认为两个问题耦合，如果第一个问题的结果影响的第二个问题，在一个较长的时间尺度上运作的解决方案。例如，在我们的激励问题的环境监测，我们认为，多机器人任务分配将潜在地影响环境动态，从而影响未来的监测质量，在这里建模为多机器人间歇性部署问题。解决这种类型的耦合问题的一般理论方法是通过这个激励的例子证明。具体来说，我们提出了一种方法来解决耦合问题建模的子模集函数与拟阵约束。一个贪心算法解决这类问题，以及次优性保证。最后，通过Monte Carlo模拟，实际的最优性比显示，该算法可以产生高效率的近优解。
2021-11-17 cs.DS cs.MA cs.RO
Distributed Attack-Robust Submodular Maximization for Multi-Robot Planning
Virginia Tech（弗吉尼亚理工大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Michigan（密歇根大学）；University of Maryland（马里兰大学）
在本文中，我们设计的算法来保护群集机器人应用程序对传感器拒绝服务（DoS）攻击的机器人。我们专注于需要机器人联合选择动作的应用，例如，从一组可用的轨迹中选择要遵循的轨迹这样的应用是大规模机器人应用的核心，例如用于目标跟踪的多机器人运动规划。但目前的攻击鲁棒算法都是集中式的。在本文中，我们提出了一个通用的分布式算法，以强大的规模优化，只有本地通信。我们称之为分布式鲁棒最大化（DRM）。DRM提出了一种分而治之的方法，分布式分区之间的机器人集团的问题。然后，集团并行优化，彼此独立。我们证明DRM实现了接近最佳的性能。我们证明DRM的性能在凉亭和MATLAB模拟，在场景中的主动目标跟踪与成群的机器人。在仿真中，DRM实现了计算速度的提升，比集中式算法快1-2个数量级;然而，它几乎与集中式算法的跟踪性能相匹配。由于DRM高估了每个集团中的攻击数量，本文还介绍了一种改进的分布式鲁棒最大化（IDRM）算法。IDM通过利用3跳相邻通信来推断每个集团中的攻击数量，比DRM更不保守。我们验证了IDRM提高DRM的性能在模拟。
2022-03-18 cs.AI cs.MA cs.RO
Mobility-Budget-Constrained Submodular Maximization for Distributed Semantic Multi-Robot Exploration
Institute of Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
本文提出结合Dirichlet映射、RAG协调的分布式语义探索框架，在多机器人探索中平衡信息增益与可达性，实验显示其覆盖、语义精度最优且符合移动预算约束。
2026-10-14 cs.MA cs.RO
Sample Greedy Based Task Allocation for Multiple Robot Systems
Cranfield University（克兰菲尔德大学）
研究了多机器人系统的任务分配问题。任务分配问题的主要问题是固有的复杂性，这使得在合理的时间内找到最佳解决方案几乎是不可能的。为了解决这个问题，本文开发了一个任务分配算法，可以分散利用子模块化的概念和采样过程。理论分析表明，该算法能以多项式时间的平均复杂度保证$1/2$在单调子模情形下的逼近，$1/4$在非单调子模情形下的逼近.为了检验所提出的算法的性能和验证理论分析结果，我们设计了一个任务分配问题，并进行了数值模拟。仿真结果表明，该算法在单调情况下的解质量与现有算法相当，而在非单调情况下的解质量要好得多，且计算复杂性要小得多.
2019-01-10 cs.MA cs.RO
Safe and Socially Aware Multi-Robot Coordination in Multi-Human Social Care Settings
School of Computing and Communications, The Open University（奥本大学计算与通讯学院）；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）；School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院）
针对多人类多机器人场景，提出一种基于多目标学习的协调方法，以同时解决路径规划、导航、任务调度、任务分配和人机交互问题，提升安全性与社会意识。
2025-07-03 cs.RO
Adaptive Robot Coordination: A Subproblem-based Approach for Hybrid Multi-Robot Motion Planning
Texas A&M University（德克萨斯农工大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出新型混合多机器人运动规划框架ARC，通过基于冲突的局部子问题动态调整规划空间的耦合与解耦，实现高效自适应协调，具备概率完备性，可扩展性与协调精度兼具，性能优于现有各类基线方法。
2023-12-13 cs.MA cs.RO
RANT: Ant-Inspired Multi-Robot Rainforest Exploration Using Particle Filter Localisation and Virtual Pheromone Coordination
RANT通过粒子滤波定位和虚拟信息素协调，实现多机器人在嘈杂环境中的高效雨林探索，提升热点识别与地图构建效率。
2026-02-10 cs.RO
Federated Single-Agent Robotics: Multi-Robot Coordination Without Intra-Robot Multi-Agent Fragmentation
School of Software, Harbin Institute of Technology（哈尔滨工业大学软件学院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）；School of Mathematical and Computer Sciences, Heriot-Watt University, Malaysia Campus（赫瑞-沃顿大学马来西亚校区数学与计算机科学学院）；School of Future Science and Engineering, Soochow University（苏州大学未来科学与工程学院）
本文提出了一种联邦单体机器人（FSAR）架构，通过在单体机器人运行时基础上实现多机器人协调，避免了机器人内部的多代理碎片化，提升了协调效率和恢复能力。
2026-05-21 cs.AI 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
CRAFT: Coaching Reinforcement Learning Autonomously using Foundation Models for Multi-Robot Coordination Tasks
Department of Mechanical Engineering, University of California Berkeley（机械工程系，加州大学伯克利分校）
提出CRAFT框架，利用大语言模型分解任务、生成奖励函数，并通过视觉语言模型优化，实现多机器人协调学习，在四足导航和双臂操作任务中验证有效性。
2026-06-05 cs.RO
Stein Variational Belief Propagation for Multi-Robot Coordination
University of Michigan（密歇根大学）；NVIDIA Corporation（英伟达公司）；University of Sydney（悉尼大学）
针对多机器人分布式协作的高维规划难题，提出Stein变分置信传播算法，通过图模型推理实现协作，在感知与规划任务中性能优于基线方法，且死锁概率更低。
2024-03-12 cs.RO
On Randomized Searching for Multi-robot Coordination
Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague（捷克布拉格捷克技术大学信息学、机器人学与控制论研究所）；Czech Technical University in Prague（布拉格捷克技术大学）
在这一章中，我们提出了一种新的方法来解决协调的移动机器人，其中包括找到一组无碰撞的轨迹在车队中的单个机器人的舰队。这个问题已经被研究了几十年，并且已经引入了许多方法。然而，只有一小部分是适用于在实践中，因为他们的属性-小的计算需求，产生的解决方案接近最优，和完整性。我们提出的方法是基于多机器人的快速探索随机树算法（RRT）的离散环境的变种，并显着提高其性能。虽然该方法生成的解决方案比[23]中提出的最佳最新算法之一稍差，但它解决了ter Morses算法失败的问题。
2020-07-20 cs.RO
Adaptive Visual Perception for Robotic Construction Process: A Multi-Robot Coordination Framework
Texas A&M University（德克萨斯农工大学）
本研究提出一种多机器人协调框架，通过监督机器人自适应调整姿态优化视觉覆盖，以解决施工中视野遮挡问题，并验证了视点选择方法的有效性与鲁棒性。
2024-12-15 cs.RO
An Efficient Multi-Robot Arm Coordination Strategy for Pick-and-Place Tasks using Reinforcement Learning
ETH Zurich（苏黎世联邦理工学院）
本文提出一种基于强化学习的多机器人废物分拣策略，通过构建OpenAI gym环境并训练深度强化学习网络优化抓取率，实验证明其性能优于组合博弈论方法，抓取率提升达16%，并在双机器人硬件上得到验证。
2024-09-20 cs.RO
Bi-CL: A Reinforcement Learning Framework for Robots Coordination Through Bi-level Optimization
George Mason University（乔治梅森大学）
针对多机器人协调中信息不完整与行为耦合的难题，提出双层协调学习（Bi-CL）框架，结合强化学习与模仿学习及对齐惩罚机制，实现高效可扩展的协调，仿真验证性能与传统基线相当。
2024-08-21 cs.RO
3D Multi-Robot Exploration with a Two-Level Coordination Strategy and Prioritization
Institute of Systems and Robotics of the University of Coimbra（科英布拉大学系统与机器人研究所）
本文提出一种三维多机器人探索框架，将两级协调策略与优先级机制结合，利用滚动时域下一最佳视角方法在不平坦地形上减少冲突并支持按需引导探索。
2023-07-07 cs.RO
Distributed motion coordination for multi-robot systems under LTL specifications
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（瑞典皇家理工学院电气与计算机科学学院）
本文研究了一组移动机器人在共享工作空间中的在线运动协调问题，每个机器人都被分配了一个线性时序逻辑规范。基于每个机器人都受到状态和输入约束，只能有本地视图和本地信息的现实假设，提出了一种完全分布式的多机器人运动协调策略。对于每个机器人，运动协调策略由三层组成。离线层预先计算工作空间中每个区域的制动面积、受控过渡系统和所谓的势函数。初始化层输出初始安全满足的轨迹。在线协调层在冲突发生时解决冲突。在线协调层进一步分解为三个步骤。首先，实现了一种冲突检测算法，该算法检测与相邻机器人的冲突。每当冲突被检测到，一个规则的目的是动态分配一个规划顺序，每对相邻的机器人。最后，设计了一种基于采样的机器人局部无碰撞轨迹生成算法，保证了规划的可行性。事实证明，所有机器人的安全性随时都得到保证。通过两个算例验证了所得到的解的有效性和计算易处理性。
2021-03-16 cs.RO cs.SY eess.SY
A fully distributed motion coordination strategy for multi-robot systems with local information
KTH Royal Institute of Technology（瑞典皇家理工学院）
研究了多移动机器人在共享工作空间内的在线运动协调问题。基于每个机器人都受到速度和输入约束，只能有本地视图和本地信息的现实假设，提出了一种完全分布式的多机器人运动协调策略。首先提出了一种基于单元分解的冲突检测算法。然后，提出了一个规则，动态分配规划顺序的每对相邻的机器人，这是无死锁。最后，设计了固定路径规划和轨迹规划相结合的两步运动规划过程。最后通过仿真算例验证了该方法的有效性。
2020-04-22 cs.RO cs.SY eess.SY
Failure-Aware Multi-Robot Coordination for Resilient and Adaptive Target Tracking
Department of Electrical and Computer Engineering, Drexel University（德雷塞尔大学电气与计算机工程系）；Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）；GRASP Lab, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）
针对多机器人协调中的感知与通信故障问题，提出统一故障感知协调框架，通过区分临时与永久故障并采用分组中心化与去中心化优化策略，实现弹性自适应目标跟踪，在现实环境中表现稳健。
2025-08-08 cs.RO
Multi-Robot Coordination and Cooperation with Task Precedence Relationships
University of Pennsylvania（宾夕法尼亚大学）；Amazon Robotics（亚马逊机器人）
提出一种基于任务图的多机器人任务规划与分配新方法，融合任务优先关系、协调与联盟合作，利用最小成本网络流等方法高效求解，在大型任务中实现高性能。
2023-05-23 cs.RO
DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication
University of California, Davis（加州大学戴维斯分校）；Microsoft Research（微软研究院）；Analog Devices（亚德诺半导体）
提出DuoMind分布式分层框架，通过VLM编排器与VLA动作模型结合语义通信实现多机器人长期任务协调，并构建RoboPoly基准验证性能提升。
2026-10-02 cs.AI cs.RO
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）
本文针对存在定位不确定性的多机器人系统，提出一种分布式随机LQG控制策略，在优化性能的同时确保协调，并证明了系统稳定性，经Robotrium仿真验证了其鲁棒性与实际适用性。
2025-03-26 cs.MA cs.RO cs.SY
DeReCo: Decoupling Representation and Coordination Learning for Object-Adaptive Decentralized Multi-Robot Cooperative Grasping and Lifting
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology (NAIST)（信息科学系，科学技术研究生院，科学与技术国立研究所（NAIST））；Department of Cognitive Robotics, Faculty of Mechanical Engineering, Delft University of Technology（认知机器人系，机械工程学院，代尔夫特理工大学）
DeReCo通过解耦表示与协调学习，提升多机器人协作运输的样本效率和泛化能力。
2026-10-20 cs.RO
MULAN-WC: Multi-Robot Localization Uncertainty-aware Active NeRF with Wireless Coordination
college.harvard.edu（哈佛大学学院）
针对多机器人三维重建中的位姿估计、不确定性量化与视角选择难题，提出融合无线AoA测距定位、不确定性感知训练与主动视角选择的MULAN-WC框架，经多数据集与硬件实验验证可实现接近真实位姿的高质量重建。
2024-09-15 cs.RO
From Real-Time Planning to Reliable Execution:Scalable Coordination for Heterogeneous Multi-Robot Fleets in Industrial Environments
提出SCALE反应式在线协调框架，通过运动诱导冲突减少机制和广义共轭动作-优先超图，实现异构多机器人车队的实时路径规划与鲁棒执行，经仓库部署验证有效性。
2026-07-07 cs.MA cs.RO
Conversational Language Models for Human-in-the-Loop Multi-Robot Coordination
University of Southampton（南安普顿大学）
针对多机器人灵活协作与人在回路监督需求，提出基于大型语言模型的去中心化论证式对话框架，使异构机器人通过点对点及人机协商制定并执行清洁计划。
2024-02-29 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
Graph Neural Network-based Multi-agent Reinforcement Learning for Resilient Distributed Coordination of Multi-Robot Systems
Northwestern University（西北大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）
提出基于 GNN 的 MARL 方法 MAGEC，结合多智能体 PPO，使多机器人系统在减员、部分可观测和通信异常下仍能围绕全局目标进行分布式协调。
2024-03-19 cs.MA 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
K-ARC: Adaptive Robot Coordination for Multi-Robot Kinodynamic Planning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Siebel School of Computing and Data Science（西贝尔计算与数据科学学院）；Texas A&M University（德克萨斯农工大学）；Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治技术学院）
本文提出 K-ARC 算法，通过分段交替使用优化与采样方法并继承 ARC 的按需协调机制，实现最多 32 个移动机器人的高效动力学规划，相比以往方法加速最高达一个数量级。
2025-01-02 cs.MA cs.RO
3D Multi-Robot Patrolling with a Two-Level Coordination Strategy
Sapienza University of Rome（罗马第一大学）；ETH Zurich（苏黎世联邦理工学院）
在恶劣而复杂的3D环境中巡逻的UGV团队可能会遇到相互干扰和空间冲突。忽视这些事件的发生会严重妨碍巡逻进程的健全性和可靠性。本文提出了一种分布式多机器人巡逻技术，该技术采用两级协调策略来最大限度地减少和明确管理冲突和干扰的发生。第一级指导代理在拓扑图上挑出独占目标节点。该目标选择依赖于共享空闲表示和防止拓扑冲突的协调机制。第二级托管基于空间的度量表示的协调策略，并且由3D SLAM系统支持。在这里，每个机器人路径规划器通过应用多机器人可通行性函数来协商空间冲突。这两个层面之间的持续互动确保了协调和冲突的解决。仿真和真实世界的实验，以验证所提出的巡逻策略在3D环境中的性能。结果表明，这是一个很有前途的解决方案，管理空间冲突，防止死锁。
2019-06-23 cs.AI cs.MA cs.RO
A Multimodal Stochastic Planning Approach for Navigation and Multi-Robot Coordination
Johns Hopkins University（约翰霍普金斯大学）
本文提出一种基于采样的滚动时域多模态随机规划器，通过交叉熵方法优化多模态策略，提升鲁棒性与探索能力，可扩展至多机器人无碰撞规划，经数值模拟和硬件实验验证其在陷阱环境、多机器人避障中的效果及实时性。
2025-09-23 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
MoRoCo: An Online Topology-Adaptive Framework for Multi-Operator Multi-Robot Coordination under Restricted Communication
本文提出MoRoCo框架，通过建立延迟受限的间歇通信基础架构和 detach-and-rejoin 机制，实现多操作员多机器人在受限通信环境下的协调，支持在线团队扩展和拓扑重构，通过本地通信实现子图的动态分解与组合，有效支持时间敏感请求。
2026-03-16 cs.RO
SDHN: Skewness-Driven Hypergraph Networks for Enhanced Localized Multi-Robot Coordination
School of Automation, Northwestern Polytechnical University, Xi'an, 710072, China（西北工业大学自动化学院）；School of Automation, Southeast University, Nanjing, 210096, China（东南大学自动化学院）
针对多机器人协同中现有图表示难捕捉高阶协作、超图方法结构随意且环境适应性不足的问题，提出采用随机伯努利超边、引入偏度损失构建小超边主导结构的SDHN，在两项任务上性能优于现有最优基线。
2025-07-31 cs.MA cs.RO
Distributed Differentiable Dynamic Game for Multi-robot Coordination
George Mason University（乔治梅森大学）；Arizona State University（亚利桑那州立大学）
本文提出分布式可微动态博弈（D3G）框架，通过分布式打靶法Nash求解器和微分庞特里亚金最大值原理求解器，高效解决多机器人协调的正向与逆向问题。
2024-09-23 cs.LG cs.MA cs.RO
IndoorR2X: Indoor Robot-to-Everything Coordination with LLM-Driven Planning
Fujitsu Research（富士通研究所）；Carnegie Mellon University（卡内基梅隆大学）
IndoorR2X通过整合移动机器人和静态物联网设备的观测数据，构建全局语义状态，实现可扩展的场景理解、减少冗余探索并利用大语言模型进行高层协调，提升多机器人系统的效率和可靠性。
2026-07-08 cs.MA cs.RO
A Formal Modular Synthesis Approach for the Coordination of 3-D Robotic Construction with Multi-robots
Universidade Federal de Santa Catarina（圣卡塔琳娜联邦大学）
本文提出了一种基于监督控制理论的模块化方法，用于协调多机器人自主构建3-D结构。
2025-12-18 cs.FL cs.MA cs.RO
Multiparty Motion Coordination: From Choreographies to Robotics Programs
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；Imperial College London（帝国理工学院）
我们提出了一个复杂的多机器人协调规划的编程模型和类型的纪律。我们的模型包括同步通过消息传递和连续时间动态运动原语在物理空间。我们指定\emph{continuous-time motion primitives}在一个假设保证逻辑，确保运动原语的兼容性以及碰撞自由。我们指定的全球行为的程序中的\emph{choreographic}类型的系统，扩展多方会话类型与联合执行的运动原语，预测的改进，以及一个\emph{separating conjunction}，允许推理的子集相互作用的机器人。我们描述了一个概念，\emph{well-formedness}的全球类型，确保运动和通信可以正确同步，并提供检查格式良好，投影类型，和本地类型检查的算法。良好类型的程序是\emph{communication safe}、\emph{motion compatible}和\emph{collision free}。我们的类型系统提供了一种组合方法来确保这些属性。我们已经在ROS框架之上实现了我们的模型。这使我们能够在商业和定制机器人硬件平台上编程多机器人协调场景。我们通过案例研究表明，我们可以建模和静态验证相当复杂的动作，涉及多个机械手和移动机器人-这样的例子是超出了以前的方法的范围。
2020-10-12 cs.PL cs.RO
Fault-Tolerant Multi-Robot Coordination with Limited Sensing within Confined Environments
本文提出基于物理接触的容错方法，通过机器人间的社会互动提升多机器人系统在受限空间中的协同性能，实验表明该方法能有效提升系统对故障的恢复能力。
2025-05-21 cs.AI cs.MA cs.RO
Online Multi-Robot Coordination and Cooperation with Task Precedence Relationships
GRASP Laboratory, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）；Amazon Robotics（亚马逊机器人技术）；Zipline
本文提出一种融合任务优先关系、任务内协调和机器人联盟合作的多机器人任务分配形式化方法，并设计基于网络流的在线算法，在复杂任务中实现高效且鲁棒的近似求解。
2025-09-18 cs.RO
Decentralized LLM-Driven Coordination of Acoustic Robots for Contactless Object Manipulation
Department of Computer Science, University College London（计算机科学系，伦敦大学学院）；Department of Artificial Intelligence, University of Malaya（人工智能系，马来大学）
提出一种去中心化框架，利用Whisper语音识别和LLM语义解析将自然语言指令转换为多机器人任务计划，实现声学机器人的非接触式物体操控，实验验证了顺序、并行和同步协作任务的有效性。
2026-05-28 cs.RO
Multi-Robot Coordination with Adversarial Perception
University of Maryland（马里兰大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文针对依赖学习感知模块的安全关键型多机器人应用，研究其在对抗感知攻击下的韧性，提出集成VIO和学习感知模型的分析框架，量化系统性能退化并通过实验验证其在资源受限平台的适用性。
2025-04-12 cs.RO cs.SY eess.SY
Quantum Multi-Agent Actor-Critic Neural Networks for Internet-Connected Multi-Robot Coordination in Smart Factory Management
Korea University（高丽大学）；Ajou University（阿久大学）
作为学术界和工业界感兴趣的最新领域之一，量子计算已经引起了极大的关注。在量子计算的各种主题中，变分量子线路（VQC）因其进行量子深度强化学习（QRL）的能力而受到关注。本文验证了QRL的潜力，这将通过从QRL实现量子多智能体强化学习（QMARL）来进一步实现，特别是在智能工厂应用中的互联网连接的自主多机器人控制和协调。然而，由于经典MARL的非平稳性，扩展并不简单。为了解决这一问题，提出了在互联网连接下的集中培训和分散执行（CTDE）QMARL框架。一个智能工厂环境与物联网（IoT）为基础的多个代理被用来显示所提出的算法的有效性。仿真结果表明，所提出的基于QMARL的自主多机器人控制和协调性能优于其他框架。
2023-01-04 cs.MA cs.RO quant-ph
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
Efficient Coordination and Synchronization of Multi-Robot Systems Under Recurring Linear Temporal Logic
Department of Information Engineering, University of Padova（帕多瓦大学信息工程系）；Division of Decision and Control Systems, School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（皇家理工学院电气工程与计算机科学学院决策与控制系统系）
提出一种结合离线计划综合与在线协调的底层方法，通过实时通信动态调整计划，并引入同步机制处理动作延迟，实现多机器人系统的可扩展协调与同步框架。
2026-06-05 cs.RO cs.SY eess.SY
CoCoPlan: Adaptive Coordination and Communication for Multi-robot Systems in Dynamic and Unknown Environments
School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院）；Division of Natural and Applied Sciences, Duke Kunshan University（杜克昆山大学自然与应用科学系）
CoCoPlan通过自适应协调与通信框架，提升多机器人系统在动态未知环境中的任务完成效率与通信效率。
2026-01-15 cs.RO
