3D Foundation Model-Based Loop Closing for Decentralized Collaborative SLAM
Department of Computer and Software Engineering, Polytechnique Montréal（计算机与软件工程系，蒙特利尔理工学院）；Oxford Robotics Institute, Dept. of Engineering Science, University of Oxford（牛津大学机器人研究所，工程科学系）
本文提出基于3D基础模型的分布式协作SLAM回环闭合方法，通过整合基础模型提升多机器人建图的鲁棒性和效率。
2026-02-02 cs.RO
$D^2$SLAM: Decentralized and Distributed Collaborative Visual-inertial SLAM System for Aerial Swarm
Hong Kong University of Science and Technology（香港科技大学）；HKUST-DJI Joint Innovation Laboratory（香港科技大学-大疆创新联合创新实验室）
针对现有协作SLAM相对定位精度不足的问题，提出去中心化分布式的$D^2$SLAM系统，通过远近场结合估计、多相机适配前端和分布式优化，实现高精度定位与强鲁棒性，推动无人机集群技术发展。
2024-06-23 cs.RO
Efficient, Decentralized, and Collaborative Multi-Robot Exploration using Optimal Transport Theory
New Mexico Institute of Mining and Technology（新墨西哥矿业与技术学院）
提出了一种基于最优运输（OT）的分散式多机器人协作探索策略。该方法是在给定的域中实现具有预定义优先级的有效探索。在这种情况下，效率表示一组机器人（代理）如何覆盖域，反映域中相应的优先级图（或重要程度）。分散式探索意味着每个智能体在没有任何监督智能体/计算机的情况下独立地执行其探索任务。当一个代理在通信范围内遇到另一个代理时，每个代理都会收到关于哪些区域已经被其他代理覆盖的信息，从而产生协作探索。运用优选论理论对机器人轨迹形成的分布与给定的指示优先级的参考空间分布之间的差异进行量化。一个计算上可行的方法来衡量所提出的勘探计划的性能。此外，形式化算法提供了高效，分散，协同勘探计划。仿真结果验证了所提出的方法。
2020-09-29 cs.RO cs.SY eess.SY
Decentralized Heterogeneous Multi-Robot Collaborative Exploration for Indoor and Outdoor 3D Environments
College of Artificial Intelligence, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）人工智能学院）；Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（香港中文大学机械与自动化工程系）
本文提出去中心化协作框架，通过改进的监督体素分割和遗传算法优化，实现异构多机器人在复杂3D环境中的高效探索与通信节约。
2026-05-09 cs.RO
Decentralized Ability-Aware Adaptive Control for Multi-robot Collaborative Manipulation
University of Edinburgh（爱丁堡大学）；Shenzhen Institute for Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
多机器人团队可以完成比单个机器人更灵巧、复杂和更重的有效载荷任务，但需要有效的协作。多机器人协作是极具挑战性的，由于不同的运动学和动力学能力的机器人，它们之间的有限的通信，以及系统参数的不确定性。在本文中，一个分散的能力感知自适应控制提出了解决这些挑战的基础上的两个关键特征。首先，共同的操作任务表示为建议的名义任务椭球，这是用来最大化每个机器人的力能力在线通过优化其配置。其次，分散自适应控制器的设计是李雅普诺夫稳定的异构驱动约束的机器人和不确定的物理参数的对象和环境。在所提出的框架中，分散的协调和负载分配的机器人之间实现没有通信，而只有控制不足的广播，如果任何机器人达到其力的限制。在这种情况下，以分散的方式修改对象参考轨迹以保证稳定的交互。最后，我们进行了几个数值和物理仿真分析和验证所提出的方法与异构多机器人团队的协作操作任务。
2021-02-07 cs.MA cs.RO
Swarm-SLAM : Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems
Polytechnique Montréal（蒙特利尔理工学院）
本文提出开源多机器人协同SLAM系统Swarm-SLAM，通过稀疏去中心化架构和回环闭合优先级排序技术，在减少通信的同时加速收敛，支持多种传感器并在多数据集和真实三机器人实验中验证。
2024-01-12 cs.CV cs.RO
Data-Efficient Collaborative Decentralized Thermal-Inertial Odometry
University of Zurich（苏黎世大学）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
我们提出了一个系统解决方案，以实现数据高效，分散的状态估计的飞行机器人使用热图像和惯性测量的团队。每个机器人都可以独立飞行，并在可能的情况下交换数据以改进其状态估计。我们的系统前端应用在线光度校准来细化热图像，以增强特征跟踪和位置识别。我们的系统后端使用协方差交叉融合策略，忽略代理之间的互相关，以降低内存使用和计算成本。通信管道使用局部聚集描述符向量（VLAD）来构造要求低带宽使用的请求-响应策略。我们在合成数据和真实数据上测试了我们的协作方法。我们的研究结果表明，所提出的方法提高了高达46%的轨迹估计相对于个人代理的方法，同时减少了高达89%的通信交换。数据集和代码向公众发布，扩展了已经公开的JPL xVIO库。
2022-09-14 cs.CV cs.RO
CoCoL: A Communication Efficient Decentralized Collaborative Method for Multi-Robot Systems
College of Control Science and Engineering, Zhejiang University（控制科学与工程学院，浙江大学）；Division of Decision and Control Systems, KTH Royal Institute of Technology（决策与控制系统系，皇家理工学院）
本文提出 CoCoL，一种基于镜像下降和梯度跟踪的通信高效去中心化多机器人协作学习方法，在非独立同分布、流数据和时变拓扑场景下显著降低通信开销并保持领先精度。
2025-08-28 cs.LG cs.MA cs.RO
Learning Environment Constraints in Collaborative Robotics: A Decentralized Leader-Follower Approach
在本文中，我们提出了一个领导者-追随者的分层策略，两个机器人协作运输物体在一个部分已知的环境中的障碍。这两个机器人都能感知周围的环境，并对附近的障碍物做出反应。我们考虑没有显式的通信，所以本地环境信息和控制动作之间的机器人是不共享的。在任何给定的时间步，领导者解决了模型预测控制（MPC）问题，其已知的障碍集，并计划一个可行的轨迹来完成任务。跟随者估计领导者的输入，并使用策略来帮助领导者，同时对附近的障碍物做出反应。领导者通过使用预测和实时估计的跟随者控制动作之间的差异来推断跟随者附近的障碍物。采用主从角色切换的方法，提高了在紧张环境下的控制性能。我们的方法的有效性证明了两种替代策略，它实现了最高的成功率，同时完成任务最快的详细比较。参见链接www.dropbox.com/s/hexadigqkvspaeh/IROS_Video.mp4?对于算法的描述性视频，dl=0。
2021-07-25 cs.RO cs.SY eess.SY
Hierarchical Adaptive Motion Planning with Nonlinear Model Predictive Control for Safety-Critical Collaborative Loco-Manipulation
提出一种基于非线性模型预测控制和控制障碍函数的四足机器人团队分层协同移动操作控制系统，实现复杂动态环境下的安全自适应规划与操作，并通过仿真和硬件实验验证。
2024-11-16 cs.RO
MAST: Multi-Agent Spatial Transformer for Learning to Collaborate
本文提出多智能体空间Transformer（MAST），通过窗口化注意力与新型位置编码实现去中心化多机器人协作通信策略学习，在分配导航和覆盖控制任务中优于基线方法并具有通信延迟鲁棒性。
2025-09-21 cs.RO
Multi-Robot Box Transport over Different Surfaces with Decentralized Role-based Proportional Control
Mechanical & Aerospace Eng., University at Buffalo, Buffalo, NY（机械与航空航天工程系，布法罗大学，布法罗，纽约）
提出一种异步去中心化任务与运动规划方法R2P2，通过角色分配和比例控制实现多机器人在不同倾斜和摩擦表面上的协作箱子运输，在仿真和物理实验中验证了其泛化性和成功率优于标准虚拟领导者-跟随者方法。
2026-05-28 cs.RO
Acting on the Unseen: Communication-Free Collaborative Filtering for Decentralized Multi-Robot Task Allocation
Holon Institute of Technology（霍洛技术学院）；Afeka Tel Aviv Academic College of Engineering（阿法卡特拉维夫工程学院）
针对零知识多机器人任务分配问题，提出基于在线低秩协同过滤的SwarmCF方法，无需通信、先验知识或协调者，实现每个机器人在未见任务上的有效行动，并证明其样本复杂度优势。
2026-05-25 cs.AI cs.RO
Decentralized Vision-Based Byzantine Agent Detection in Multi-Robot Systems with IOTA Smart Contracts
University of Turku（图尔库大学）
多机器人系统和分布式账本技术（DLT）的交叉点存在多种机会。在这项工作中，我们研究了新的DLT解决方案（如IOTA）的潜力，用于以分散的方式检测多机器人系统中的异常和拜占庭代理。传统的区块链方法不适用于连接条件不理想的真实世界的网络化和分散式机器人系统。为了解决这个问题，我们利用IOTA智能合约在分区容忍和拜占庭容忍协作决策过程中的最新进展。我们展示了我们在基于视觉的异常和变化检测中的工作如何应用于检测在同一环境中运行的多个机器人内的拜占庭代理。我们发现IOTA智能合约增加了低计算开销，同时允许在多机器人系统内建立信任。所提出的方法有效地使拜占庭机器人检测的基础上提交的不同的机器人和异常和它们之间的变化检测的图像的比较。
2022-10-07 cs.RO
SMaRT-Tug: Structured Multi-Agent Reinforcement Learning for Physics-Based Tugboat-Barge Collaborative Manipulation
National University of Singapore（新加坡国立大学）；ST Engineering Unmanned & Integrated Systems Pte. Ltd.（胜科宇航无人及集成系统私人有限公司）
提出基于物理的GPU仿真与结构化多智能体强化学习框架，训练去中心化MAPPO策略，实现拖船-驳船协同操纵，性能优于PID和集中式PPO，并支持零样本泛化与扩展。
2026-09-09 cs.RO
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University（浙江大学）
本文研究了多机器人任务协调问题，其中每个机器人都有一个私有的时态逻辑任务规范，同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人，我们提出了一个分层的多机器人的时间任务规划框架，在该框架中，一个中央服务器分配的协作任务的机器人，然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外，我们提出了一个执行计划调整机制，允许机器人迭代修改他们的执行计划，通过隐私保护的智能体通信，以提高预期的实际执行性能，减少等待时间的机器人合作。分析了该方法的正确性和有效性，并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
A Decentralized LiDAR-SLAM System with Certifiably Optimal Pose Graph Optimization
The Hong Kong Polytechnic University（香港理工大学）
针对多机器人去中心化LiDAR-SLAM全局一致性问题，提出首个集成可认证最优位姿图优化后端的系统，利用黎曼块坐标下降算法实现全局一致轨迹估计，无需精确初始猜测，轨迹RMSE相比DiSCo-SLAM最高降低48.9%。
2026-06-02 cs.RO
Deep Reinforcement Learning for Decentralized Multi-Robot Control: A DQN Approach to Robustness and Information Integration
Texas A&M University（德克萨斯农工大学）
本研究提出一种基于DQN算法的去中心化多机器人控制器设计方法，通过共享学习机制整合局部信息，显著提升了系统在动态环境下的任务执行效率、容错能力与鲁棒性。
2024-08-21 cs.MA cs.RO
SPARCAS: A Decentralized, Truthful Multi-Agent Collision-free Path Finding Mechanism
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
我们提出了一个分散的碰撞避免机制，一组独立控制的机器人在一个共享的工作空间。现有的算法实现多机器人碰撞避免（a）在一个集中的设置，或（b）在一个分散的设置与协作机器人。我们专注于在分散的环境中与竞争机器人的设置，在那里机器人可能会策略性地透露他们的信息以获得优先级。我们提出的机制SPARCAS在这种情况下，使用机制设计的原则，确保真实的机器人的私人信息的启示，并提供本地有效的移动的机器人。它没有碰撞和死锁，并处理机器人的动态到达。在实践中，这种机制很好地扩展了大量的机器人，其中最佳的避免碰撞的路径查找算法（M*）不缩放。然而，SPARCAS并没有过多地损害路径最优性。我们的机制按照机器人的“真正”更高需求的顺序对它们进行优先级排序，但支付更高的费用。它使用货币转移，与机器人收到的价值相比，这是足够小的。
2019-09-18 cs.MA cs.RO
Decentralized Task and Path Planning for Multi-Robot Systems
Caltech（加州理工学院）
我们考虑一个多机器人系统与一个团队的协作机器人和多个任务，随着时间的推移出现。我们提出了一个完全分散的任务和路径规划（DTPP）的框架组成的任务分配模块和本地化的路径规划模块。每个任务被建模为马尔可夫决策过程（MDP）或混合观察马尔可夫决策过程（MOMDP），这取决于是否完整的状态或部分状态是可观察的。任务分配模块的目标是最大化机器人团队的预期纯回报（回报减去成本）。我们将马尔可夫模型融合到一个因子图公式中，以便使用最大和算法分散解决任务分配问题。每个机器人代理遵循最优的策略合成的马尔可夫模型，我们提出了一个本地化的前向动态规划计划，解决代理之间的冲突，避免碰撞。所提出的框架与高保真ROS模拟和实验与多个地面机器人。
2020-11-19 cs.MA cs.RO
Pose consensus based on dual quaternion algebra with application to decentralized formation control of mobile manipulators
Federal University of Alagoas（阿拉戈斯联邦大学）；Federal University of Minas Gerais（米纳斯吉拉斯联邦大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出了一种基于对偶四元数代数的解决一般姿态问题的方法（即，位置和方向）的一致性。对偶四元数代数被用来模拟智能体的姿态和分布式控制律，使所提出的技术很容易适用于一般机器人系统的时变编队控制。建议的姿势共识协议有保证的收敛时，代理之间的相互作用是由有向图与有向生成树，这是一个更普遍的结果相比，文献的形成控制。为了说明所提出的姿势一致性协议及其扩展到编队控制问题，我们提出了一个数值模拟与大量的自由飞行代理，也是一个应用程序的合作操作，通过使用真正的移动机械手。
2019-06-15 cs.RO math.OC
Decentralized Role Assignment in Multi-Agent Teams via Empirical Game-Theoretic Analysis
University of Pennsylvania（宾夕法尼亚大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
我们提出了一种方法，经验博弈论的基础上，作为一个团队的一部分，机器人选择其在团队中的角色，而不明确与团队成员沟通，利用其知识的团队结构。要做到这一点，我们制定的角色分配问题作为一个动态的游戏，并借用实证博弈论分析工具来分析这样的游戏。基于这个博弈论的制定，我们提出了一个分布式控制器，每个机器人动态地决定采取的最佳作用。我们证明了我们的方法在模拟的合作平面操纵的情况下，每个代理选择一组反馈控制政策在每个时刻。使用我们的方法，代理可以有效地合作，而无需通信来操纵对象，同时也避免了碰撞。
2021-09-29 cs.MA cs.RO
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
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
