Towards Predicting Collective Performance in Multi-Robot Teams
Temple University(天普大学)
本文提出基于无量纲变量分析的多机器人系统性能建模框架,通过构造无量纲变量并拟合参数化模型,识别关键性能决定因素及其相互依赖关系,为MRS设计与优化提供指导。
2024-05-02 cs.RO
Capability-aware Task Allocation and Team Formation Analysis for Cooperative Exploration of Complex Environments
Stanford University(斯坦福大学);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院)
针对复杂环境多机器人协同探索的自主部署需求,提出基于MDP的异质能力机器人任务分配与团队建模方法,在SubT挑战赛场景验证效果并分析团队设计权衡。
2024-11-01 cs.RO
Heterogeneous robot teams with unified perception and autonomy: How Team CSIRO Data61 tied for the top score at the DARPA Subterranean Challenge
CSIRO(澳大利亚联邦科学与工业研究组织)
DARPA地下挑战赛旨在让参赛者开发和部署自主机器人团队,以探索困难的未知地下环境。这些子领域分为人造隧道、地下城市基础设施和天然洞穴,每个子领域都对机器人的感知、运动、导航和自主性提出了许多挑战。这些问题包括无线通信性能下降、烟雾造成的能见度差、狭窄的通道和门道、杂乱、地面不平、松软的地形、楼梯、壁架、悬挑、滴水以及移动阻塞路径的动态障碍物等。在2021年9月举行的挑战赛决赛中,课程包括所有三个子领域。机器人团队的任务是在有限的时间内对一些预定义的人工制品进行清道夫狩猎。一旦机器人进入课程,只有一名人类主管被允许与他们交流。当准确的检测和它们的位置被传送回评分服务器时,得分。共有8支球队参加了在美国肯塔基州路易斯维尔举行的Mega Cavern决赛。本文介绍了CSIRO Data61团队部署的系统,该团队在比赛中获得了最高分并获得了第二名。
2023-02-26 cs.RO
CoHRT: A Collaboration System for Human-Robot Teamwork
School of Engineering and Applied Science, University of Virginia(弗吉尼亚大学工程与应用科学学院)
本文提出CoHRT系统,通过服务器-客户端架构、视觉跟踪和动作协调界面,支持多人机团队无缝协作与多模态数据记录,以研究协作策略对团队绩效的影响并开发机器人自适应策略。
2024-10-11 cs.HC cs.RO
Adaptation to Team Composition Changes for Heterogeneous Multi-Robot Sensor Coverage
Colorado School of Mines(科罗拉多矿业学院)
我们考虑多机器人传感器覆盖的问题,它涉及在一个环境中部署一个多机器人团队,并优化整个环境的传感质量。由于真实世界的环境涉及各种传感器信息,并且单个机器人的传感器数量有限,因此成功的多机器人传感器覆盖需要以每个团队成员的传感质量最大化的方式部署机器人。此外,由于单个机器人具有不同的传感器补充,并且机器人和传感器都可能发生故障,因此机器人必须能够适应和调整它们如何评估每个传感能力,以便获得最完整的环境视图,即使团队组成发生变化。我们引入了一种新的配方,传感器覆盖率的多机器人团队异构的传感能力,最大限度地提高每个机器人的传感质量,平衡不同的传感能力的基础上,个别机器人的整体团队组成。我们提出了一个基于正则化优化的解决方案,该解决方案使用稀疏诱导项来确保机器人团队专注于所有可能的事件类型,并且我们证明了它收敛到最优解。通过大量的模拟,我们表明,我们的方法是能够有效地部署一个多机器人团队,以最大限度地提高环境的传感质量,响应故障的多机器人团队比非自适应方法更强大。
2021-05-30 cs.MA cs.RO
Stochastic Assignment for Deploying Multiple Marsupial Robots
Oregon State University(俄勒冈州立大学)
有袋类机器人团队由携带和部署多个乘客机器人的运载机器人组成,例如携带和部署多个空中机器人的地面机器人团队,以快速探索复杂的环境。我们专门解决的问题,规划的部署时间和位置的载体机器人,以最好地满足任务的目标,同时推理不确定的未来的观察和奖励。虽然先前的工作提出了最佳的,多项式时间的解决方案,单载体机器人系统,多载体机器人部署问题是从根本上更难,因为它需要解决多个乘客机器人的部署之间的冲突和依赖关系。我们提出了一个集中式启发式搜索算法的多载体机器人部署问题,结合蒙特卡罗树搜索与动态规划为基础的解决方案的顺序随机分配问题作为一个推出的行动选择政策。我们的结果与程序生成的数据和数据来自DARPA地下挑战城市电路显示我们的方法的可行性和实质性的探索性能改进替代算法。
2021-10-19 cs.RO
Optimal Multi-Robot Path Planning with LTL Constraints: Guaranteeing Correctness Through Synchronization
University of Waterloo(滑铁卢大学);Boston University(波士顿大学)
在本文中,我们考虑的机器人团队满足高层次的任务规范的最佳路径的自动规划。团队中的每个机器人被建模为加权过渡系统,其中权重具有相关的偏差值,该偏差值捕获机器人在其部署期间的行进时间中的非确定性。任务是作为一个线性时序逻辑(LTL)公式在一组命题满足的区域的环境。此外,我们有一个优化命题,它捕获了一些必须由团队重复完成的特定任务。目标是最小化连续满足优化命题的实例之间的最大时间,同时保证即使在不确定的旅行时间下也能满足任务。我们的方法依赖于机器人的通信能力,以保证正确性,并在部署过程中保持性能。在为团队成员计算了一组最佳满意路径后,我们还为每个机器人计算了一组同步序列,以确保在部署过程中不会违反LTL公式。我们实施和实验评估我们的方法,考虑在道路网络环境中的持久性监测任务。
2012-12-17 cs.RO
Heterogeneity in Multi-Robot Environmental Monitoring for Resolving Time-Conflicting Tasks
University of Bristol(布里斯托大学)
研究多机器人系统在连续任务中因紧急子任务中断而产生的性能权衡,通过角色异质性和感知异质性分析,发现异质团队在多数情况下能更平衡地处理任务冲突。
2025-12-09 cs.RO
ROSA: A Robotics Foundation Model Serving System for Robot Factories
NVIDIA Research(英伟达研究院);Stanford University(斯坦福大学)
提出ROSA系统,通过共享GPU池服务、多模型流水线支持和工厂目标驱动调度,将机器人工厂的RFM推理性能提升12倍以上。
2026-07-02 cs.DC cs.RO
Fast and scalable multi-robot deployment planning under connectivity constraints
University of Zaragoza(萨拉戈萨大学)
针对连通性约束下多机器人部署需兼顾目标访问与信息回传的问题,提出两阶段部署方法,通过位置聚类与任务排序,结合多种启发式算法实现不同规模场景下的快速次优部署。
2025-05-20 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
Multi-Robot Open Adaptive Teaming Across Unseen Environments, Partners, and Scales
Shanghai Jiao Tong University(上海交通大学);Sun Yat-sen University(中山大学);National University of Singapore(新加坡国立大学);Genisom AI;University of Bristol(布里斯托大学);Purdue University(普渡大学);Newcastle University(新castle大学)
研究多机器人在未知环境、伙伴及规模下的协作,提出超图形式博弈公式,开发HOLA算法,能在训练中扩展多样性,在多平台实验中性能优于基线,策略可直接部署到硬件。
2026-07-07 cs.AI cs.RO
Adaptive Task Allocation for Heterogeneous Multi-Robot Teams with Evolving and Unknown Robot Capabilities
Georgia Institute of Technology(佐治亚理工学院);CCDC Army Research Laboratory(美国陆军研究实验室)
对于具有异构能力的多机器人团队,典型的任务分配方法根据机器人执行某些任务的适合性以及任务本身的要求将任务分配给机器人。然而,在机器人团队的实际部署中,机器人的适用性可能在部署之前是未知的,或者可能由于环境条件的变化而变化。本文提出了一种自适应的任务分配和任务执行框架,它允许单个机器人之间的优先级任务,同时明确考虑到他们的效率在执行任务-其参数可能是未知的部署前和/或可能会随着时间的推移而变化。这样一个\emph{specialization}参数-编码一个给定的机器人对一个任务的有效性-是动态更新的,允许我们的算法重新分配机器人之间的任务,目的是执行它们。开发的框架不需要明确的模型变化的环境或未知的机器人的能力-它只考虑到机器人在完成任务的进展。仿真和实验表明,所提出的方法在环境条件的变化,当机器人的能力是未知的部署前的有效性。
2020-03-06 cs.RO cs.SY eess.SY
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
Human-Robot Teaming Field Deployments: A Comparison Between Verbal and Non-verbal Communication
Department of Information Science at Cornell University(康奈尔大学信息科学系);Department of Media and Information, Michigan State University(密歇根州立大学媒体与信息系);Weill Cornell Medicine, Cornell University(韦尔医学院,康奈尔大学)
针对医护人员取用药械的挑战及机器人急救推车(RCCs)沟通模态研究空白,通过组间实验比较RCC言语/非言语沟通与传统推车在复苏场景的表现,发现言语沟通更能降低心理负荷,为高风险环境人机协作提供启示。
2025-06-24 cs.HC 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
TEAM: Trilateration for Exploration and Mapping with Robotic Networks
University of Southern California(南加州大学);NASA Goddard Space Flight Center(美国国家航空航天局戈达德太空飞行中心)
受月球探测的启发,我们考虑部署一个移动机器人网络来探索未知的环境,同时作为一个合作定位系统。机器人测量和传送与位置相关的数据,以便在缺乏基于基础设施的解决方案(例如固定信标或GPS)的情况下执行定位。我们提出了三边测量的勘探和测绘(TEAM),低复杂度的定位和映射与机器人网络的一种新算法。TEAM旨在利用机器人上商用超宽带(UWB)无线电的能力,提供厘米精度的距离估计,并在共享的固定框架中执行无锚定位。它非常适合于缺乏功能的环境,其中基于功能的本地化方法受到影响。我们提供的实验结果在不同的露台模拟环境,以及在测试平台上的Turtlebot 3汉堡Pozyx UWB无线电。我们比较TEAM流行的Rao-Blackwellized粒子滤波器的同时定位与地图构建(SLAM)。我们证明,TEAM需要一个数量级的计算复杂性,并减少了一个数量级的激光雷达测量所需的采样率。这些优势并不需要牺牲性能,因为TEAM将最大定位误差降低了50%,并在缺乏特征的环境中实现了高达28%的地图精度提高,并在其他设置中实现了相当的地图精度。
2021-04-15 cs.RO
A System for Human-Robot Teaming through End-User Programming and Shared Autonomy
Massachusetts Institute of Technology(麻省理工学院);Idiap Research Institute(伊迪亚普研究院);University of Wisconsin – Madison(威斯康星大学麦迪逊分校)
本文提出一种结合终端用户编程与共享自主的人机协作系统,以机器人承担体力负担、工人提供规划与反馈的方式解决飞机制造中打磨等复杂工业任务的自动化难题,并通过两类打磨任务验证了两种协作工作流程。
2024-01-22 cs.RO
Planning for Aerial Robot Teams for Wide-Area Biometric and Phenotypic Data Collection
Iowa State University(爱荷华州立大学)
针对野外生物数据汇集的多无人机平台联合任务分配和路径规划问题,提出了一种有效且可实现的解决方案。与任务相关的传感要求引起了传统的车辆路径问题与覆盖/传感约束的一个不可思议的变种。在多机器人路径规划问题的情况下,我们的问题减少到一个$m$ TSP问题。为了驯服与问题相关的计算挑战,我们提出了一个分层的解决方案,从目标分配问题的车辆路径问题。作为一个有形的分配问题的解决方案,我们使用基于聚类的技术,将时间的不确定性的基数和位置的机器人。最后,我们在我们的多四轴飞行器平台上实现了所提出的技术。
2020-11-03 cs.RO
DORA: Divergence-Oriented Data-Relay Algorithm for Partially Connected Robot Teams
University of Pennsylvania(宾夕法尼亚大学)
针对部分连接异构无人机团队的通信与探索权衡问题,提出散度导向数据中继算法DORA,通过量化信息价值驱动通信,将MRT解析延迟最多降低74.8%。
2026-09-30 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
Optimal Perimeter Guarding with Heterogeneous Robot Teams: Complexity Analysis and Effective Algorithms
Rutgers, the State University of New Jersey(罗格斯,新泽西州立大学)
我们进行结构和算法的研究显着广义版本的最佳周边保护(OPG)问题。与原来的OPG中的机器人是均匀的,在本文中,许多移动机器人与异构传感能力被部署到最佳保护一组一维段。两个免费的配方进行了研究,其中一个限制可用的机器人(OPG_LR)和其他旨在最大限度地减少总部署成本(OPG_MC)的数量。与原来的OPG,承认低多项式时间的解决方案,OPG_LR和OPG_MC是计算棘手的OPG_LR是强NP-难的。尽管如此,我们开发了相当可扩展的伪多项式时间算法的实用,固定参数的子情况下的OPG_LR,我们还开发了伪多项式时间算法的一般OPG_MC和多项式时间算法的固定参数的OPG_MC的情况下。所选算法的适用性和有效性通过大量的数值实验证明。
2019-12-17 cs.RO math.OC
DC-Ada: Reward-Only Decentralized Sensor Adaptation for Heterogeneous Multi-Robot Teams
Department of Computer Science, Al-Baha University(阿尔巴大学计算机科学系)
DC-Ada通过冻结预训练共享策略并适应紧凑的机器人观测转换,解决异构多机器人团队中传感器差异导致的性能下降问题,展示了在不同任务和指标下的有效性。
2026-04-29 cs.AI cs.MA cs.RO
Inferring Robot Task Plans from Human Team Meetings: A Generative Modeling Approach with Logic-Based Prior
Massachusetts Institute of Technology(麻省理工学院)
我们的目标是减少编程和部署自主系统的负担,以便在时间关键的领域(如军事现场行动和灾难响应)与人们协同工作。这些行动的部署计划经常由人类规划者团队在飞行中协商。然后,人类操作员将商定的计划翻译成机器人的机器指令。我们提出了一种算法,减少了这种翻译负担推断的最终计划,从人类团队的规划对话的处理形式。我们的方法结合了概率生成建模与逻辑计划验证,用于计算一个高度结构化的先验可能的计划。这种混合的方法使我们能够克服的挑战,只有少量的噪声数据从团队规划会议的大型解决方案空间进行推理。我们通过人类受试者实验验证了该算法,并表明我们能够以平均83%的准确率推断出人类团队的最终计划。我们还描述了一个机器人演示,其中两个人计划和执行第一反应的协作任务与PR2机器人。据我们所知,这是第一个将逻辑规划技术集成到生成模型中以执行计划推理的工作。
2013-06-05 cs.AI cs.CL cs.RO
Multi-robot Deployment From LTL Specifications with Reduced Communication
Technical University “Gheorghe Asachi” of Iasi(“格奥尔基·阿萨奇”雅西技术大学);Boston University(波士顿大学)
提出一种分层框架,通过有限抽象、并行组合和运动规划,将全局LTL规范自动部署到多独轮车机器人团队,并重点设计算法减少执行阶段的机器人间通信。
2011-08-16 cs.RO cs.SY eess.SY
Team Assignment for Heterogeneous Multi-Robot Sensor Coverage through Graph Representation Learning
Colorado School of Mines(科罗拉多矿业学院)
传感器覆盖是关键的多机器人问题,通过部署多个机器人来最大限度地检测环境中的事件。大型多机器人系统往往由简单的机器人组成,这些机器人通常没有配备完整的传感器,因此需要具有全面传感能力的团队才能适当覆盖一个区域。机器人还表现出多种形式的关系(例如,通信连接或空间分布),这在为传感器覆盖分配机器人团队时需要考虑。为了解决这个问题,在本文中,我们介绍了一种新的配方的传感器覆盖多机器人系统的异构关系作为一个图形表示学习问题。我们提出了一个原则性的方法,正则化优化的数学框架的基础上学习的统一表示的多机器人系统从图形描述的异构关系,并确定学习表示的底层结构,以分配机器人的团队。为了评估所提出的方法,我们进行了大量的实验模拟多机器人系统和物理多机器人系统作为一个案例研究,表明我们的方法是能够有效地分配团队异构多机器人传感器覆盖。
2021-05-30 cs.MA cs.RO
Two-Layer Voronoi Coverage Control for Hybrid Aerial-Ground Robot Teams in Emergency Response: Implementation and Analysis
UC Berkeley(伯克利大学);Squishy Robotics, Inc.(Squishy机器人公司)
本文提出一种两层Voronoi覆盖控制方法,通过解耦架构分别优化空地机器人定位并利用空投部署,解决了异构速度、初始聚集和紧急时间约束问题,使响应时间减少88%。
2025-10-12 cs.MA cs.RO cs.SY
Rapidly Built Medical Crash Cart! Lessons Learned and Impacts on High-Stakes Team Collaboration in the Emergency Room
Cornell University(康奈尔大学);Israel Institute of Technology(以色列理工学院);Weill Cornell Medicine(威尔康奈尔医学院);Michigan State University(密歇根州立大学)
针对急诊室高风险团队协作,通过快速原型将标准急救车改造为医疗机器人急救车(MCCR),经现场部署评估其影响并完善,为时间敏感环境中的机器人设计提供见解。
2025-02-25 cs.HC cs.RO
An Infrastructure-less, Control-Independent Solution to Relative Localisation of a Team of Mobile Robots using Ranging Measurements
Department of Industrial Engineering, University of Trento(特伦托大学工业工程系);Department of Information Engineering and Computer Science, University of Trento(特伦托大学信息工程与计算机科学系)
提出一种无锚点、完全去中心化的协作定位算法,仅依赖局部里程计、稀疏测距和短程通信,无需控制机器人运动即可实现团队可观测性,采用多假设贝叶斯框架保证鲁棒性。
2026-06-19 cs.MA cs.RO
Adaptive Agent Architecture for Real-time Human-Agent Teaming
Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
团队合作是一组相互关联的推理,行动和行为的团队成员,促进共同的目标。团队工作理论和实验已经在人-人和代理-代理团队中产生了一组团队有效性的状态和过程。然而,人类-代理团队合作的研究较少,因为它是如此的新,并且涉及人类团队中不存在的政策和意图的不对称。为了优化人类-代理团队合作中的团队绩效,代理推断人类意图并调整其策略以实现平稳协调至关重要。大多数人类代理合作的文献都是参考学习过的人类模型来构建代理的。虽然这些代理可以保证在学习模型中表现良好,但它们对人类策略进行了大量假设,例如最优性和一致性,这在许多现实场景中是不可能的。本文在双人合作游戏《团队空间堡垒》(TSF)中提出了一种新型的无人类模型环境下的自适应代理体系结构。以往的人-人团队研究表明,TSF博弈中的互补策略和人类参与者技能的多样性,这鼓励我们放松对人类策略的假设。因此,我们放弃了从人类数据中学习人类模型,而是在由RL算法或基于规则的方法组成的预先训练的范例策略库上使用自适应策略,其中对人类行为的假设最少。适应策略依赖于一种新的相似性度量来推断人类的政策,然后选择我们的库中最互补的政策,以最大限度地提高团队的绩效。自适应代理体系结构可以实时的【形】部署,并推广到任何现成的静态代理。我们进行了人类代理实验,以评估所提出的自适应代理框架,并证明了次优,多样性和人类代理团队的人类政策的适应性。
2021-03-07 cs.AI cs.HC cs.RO
SAHRTA: A Supervisory-Based Adaptive Human-Robot Teaming Architecture
Dept. of Electrical Engineering Rochester Institute of Technology(罗切斯特理工学院电气工程系);School of Electrical Engineering and Computer Science Oregon State University(俄勒冈州立大学电气工程与计算机科学学院);Collaborative Robotics and Intelligent Systems Institute Oregon State University(俄勒冈州立大学协作机器人与智能系统研究所)
基于监督的人类-机器人团队部署在各种动态和极端环境中(例如,空间探索)。在这样的环境中实现高任务性能是至关重要的,因为错误可能导致重大的金钱损失或人员伤害。任务性能可以通过基于人类监督者的工作负荷水平来适配监督接口的交互或自主水平来增强,因为工作负荷与任务性能相关。典型的自适应系统仅依赖于人类的总体或认知工作负荷状态来选择要实现什么样的自适应策略;然而,总体工作负荷包括许多维度(即,认知的、身体的、视觉的、听觉的和语音的)称为工作负荷分量。基于完整的人类工作负载状态(而不是单个工作负载维度)选择适当的适应策略可以允许更有效的适应,以确保高任务性能。介绍了一种基于监督的自适应人-机器人协作体系结构(SAHRTA),该体系结构基于完整的实时多维工作量估计和预测的未来任务性能来选择适当的自主性或系统交互水平。SAHRTA在NASA多属性任务电池的物理扩展版本中被证明可以提高整体任务性能。
2020-03-12 cs.HC cs.RO
Learning to Dynamically Coordinate Multi-Robot Teams in Graph Attention Networks
Georgia Institute of Technology(佐治亚理工学院)
在制造业中集成先进机器人技术的兴趣越来越大,促使人们重新集中精力开发实时调度解决方案,以协调这种环境中的人机协作。传统上,调度代理完成任务的时间和空间约束的问题已经接近精确的算法,这是计算上难以处理的大规模,动态协调,或近似的方法,需要领域专家手工艺为每个应用程序。我们试图克服这些传统方法的局限性,开发一种新的图形注意力网络配方自动学习功能的调度问题,让他们的部署。为了通过机器学习学习组合优化问题的有效策略,我们在非参数框架中将较小问题的模仿学习与较大问题的深度Q学习相结合,以实现机器人团队的快速,接近最优的调度。我们表明,我们的基于网络的政策,发现至少有两倍以上的解决方案,在所有的测试方案,在现有的最先进的方法。
2020-06-28 cs.AI cs.LG cs.RO
Data-Driven Adaptive Task Allocation for Heterogeneous Multi-Robot Teams Using Robust Control Barrier Functions
Georgia Institute of Technology(佐治亚理工学院);Optimus Ride
多机器人任务分配是机器人学中一个普遍存在的问题,因为它适用于各种场景。自适应任务分配算法考虑了机器人执行任务的环境中的未知干扰和不可预测的现象。然而,这种自适应性通常是以需要精确的机器人模型知识为代价的,以便评估分配的有效性并在线调整任务分配。因此,环境干扰可以显着降低模型的准确性,这反过来又会对任务分配的质量产生负面影响。在本文中,我们利用高斯过程,微分包含和鲁棒控制障碍函数来学习环境干扰,以保证鲁棒的任务执行。我们展示了一个真正的多机器人系统的实施和所提出的框架的有效性。
2020-11-10 cs.RO cs.SY eess.SY