Swarm Herding: A Leader-Follower Framework For Multi-Robot Navigation
University of Maryland(马里兰大学)
提出了一种由领导者和跟随者组成的多机器人导航框架。一组领导者被建模为2D可变形对象,其中离散质量(即,领导机器人)通过弹簧和阻尼器相互连接。一个时变的域被定义的领导人的位置,而外力引起的域从其名义配置的变形。追随者团队通过采用在标称配置和变形配置之间映射的透视变换来在时变域上执行覆盖。提出了一种分散控制策略,其中领导者只需要局部传感信息和关于其邻居(由虚拟弹簧和阻尼器连接)的信息,而跟随者只需要领导者的部分信息和关于其Delaunay邻居的信息。
2021-03-09 cs.RO cs.SY eess.SY
Task-Oriented Formation Decision via Reinforcement Learning: Herding an Attacking Swarm
本文针对攻击型集群驱赶任务,提出基于强化学习的编队决策方法,通过参数化编队形状缓解防御者机动性劣势,在仿真与物理平台上验证了方法的可行性与扩展性。
2026-08-11 cs.RO
Optimizing robotic swarm based construction tasks
University of Moratuwa(莫拉图瓦大学)
自然界中的社会性昆虫,如蚂蚁、白蚁和蜜蜂,在一个非常有效的过程中合作构建它们的殖民地。在这些昆虫群中,每只昆虫都对建造任务做出贡献,表现出个体实体的冗余和平行行为。但是,由于现有的群体机器人构建方法的局限性,这些群体行为的机器人适应尚未以足够大的规模广泛应用于现实世界。本文提出了一种方法,结合现有的群体建设的方法,在一个群体机器人系统的结果,能够构建一个给定的2维形状以优化的方式。
2021-06-17 cs.AI cs.MA cs.RO
Robotic Hierarchical Graph Neurons. A novel implementation of HGN for swarm robotic behaviour control
Monash University(莫纳什大学);Defence Science and Technology Group(国防科学技术集团);Sensor Analytics(传感器分析公司)
本文探讨了使用一种新形式的层次图神经元(HGN)在操作行为选择的机器人代理群。这种新的HGN被称为Robotic-HGN(R-HGN),因为它通过融合来自时间和群内集合的匹配概率来将机器人环境观测与环境标签相匹配。这种方法对于HGN来说是新颖的,因为它解决了机器人观测是伪连续数字,而不是分类值。此外,所提出的方法是存储器和计算功率保守的,因此是可以接受的,用于移动设备,如单板计算机,这是经常使用的移动机器人代理。该R-HGN方法针对个体行为实现和随机行为选择进行了验证。这种对比是在两组模拟环境中进行的:旨在挑战R-HGN行为的环境,以及随机生成的环境,这些环境对机器人群来说比R-HGN训练条件更具挑战性。已经发现R-HGN能够在这两个集合中进行适当的行为选择,从而在预先训练和意外的环境条件下实现显著的群体性能。
2019-10-28 cs.AI cs.MA cs.RO
HeRo 2.0: A Low-Cost Robot for Swarm Robotics Research
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Instituto Tecnológico Vale(淡水河谷技术研究所)
电子元件小型化的现状,加上硬件和软件效率的提高,使得可以开发更小、更紧凑的机器人系统。使用这些小型,简单,但功能强大的机器人的便利性已经聚集了研究界对群体机器人实际应用的注意力。本文提出了一种新的平台群机器人应用程序的设计,是低成本,易于组装使用现成的组件,并与最常用的机器人框架今天:ROS(机器人操作系统)的深度集成。机器人平台是完全开放的,由3D打印的身体和开源软件组成。我们描述了它的体系结构,提出了它的主要特点,并评估其功能执行实验使用一对夫妇的机器人。结果表明,所提出的移动机器人是非常有效的,由于其体积小,降低了成本,适合于群体机器人的研究和教育。
2022-03-04 cs.AI cs.MA cs.RO
Past, Present, and Future of Swarm Robotics
Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学);Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
群机器人是一个新兴的领域,适应自然群体的现象,机器人。这是一项机器人研究,旨在模仿自然群体,如蚂蚁和鸟类,以形成一个可扩展,灵活和强大的系统。这些机器人表现出自我组织、自治、合作和相互协调。成本和设计复杂性因素旨在保持低水平,因此试图形成与自然蜂群非常相似的系统。机器人在没有任何中央实体来控制它们的情况下操作,并且机器人之间的通信可以是直接的(机器人到机器人)或间接的(机器人到环境)。群机器人有着广泛的应用领域,从简单的家务到军事任务。本文回顾了群体机器人方法的历史和未来。它讨论了群体机器人的基本思想,它的重要特征,模拟器,项目,现实生活中的应用和一些未来的想法。
2021-01-03 cs.MA cs.RO
Informative Path Planning with Local Penalization for Decentralized and Asynchronous Swarm Robotic Search
University at Buffalo(布法罗大学)
分散式群机器人解决方案,以寻找目标,发射一个空间变化的信号承诺任务并行性,时间效率和容错。然而,群体算法在提供可扩展性和效率的同时,保持对所展示行为的数学见解是具有挑战性的。一种新的分散式搜索方法(称为贝叶斯群),建立在批量贝叶斯优化(BO)的原则,在这里提出,以解决这些挑战。与群算法不同,贝叶斯群算法简化了知识生成和任务规划过程,从而保留了对紧急行为的洞察。主要贡献在于:1)对轨迹上的知识提取进行建模,与BO中不同; 2)时间自适应地平衡探索/利用,并使用有效的局部惩罚方法来考虑不同机器人的计划样本之间的潜在交互;以及3)呈现算法的异步实现。该算法进行了测试的案例研究与双峰和高度多峰信号分布。与穷举搜索基线相比,效率提高了76倍。利用/探索平衡,异步规划,和本地惩罚,以及群大小的可扩展性的好处,也被证明。
2019-07-09 cs.AI cs.MA cs.RO
Learning of Coordination Policies for Robotic Swarms
University of Toronto(多伦多大学)
受生物群的启发,机器人群被设想用来解决单个代理难以解决的现实问题。生物群体可以基于局部交互和简单规则实现集体智能;然而,为大规模机器人群体设计有效的分布式策略以实现全球目标可能具有挑战性。虽然通常可以为较少数量的代理设计最佳集中式策略,但随着代理数量的增加,这些方法可能会失败。受机器学习日益成功的推动,我们开发了一种深度学习方法,该方法从集中式策略中学习分布式协调策略。与传统的分布式控制方法相比,这种基于学习的方法可以适应更困难的任务,而传统的分布式控制方法通常是基于人类设计的策略来完成相对简单的任务。我们证明了我们所提出的方法在两个不同的任务,众所周知的交会问题和更困难的粒子分配问题的功效。对于后者,不存在已知的分布式策略。从广泛的模拟,它表明,学习的协调政策的性能是可比的集中式政策,超过国家的最先进的分布式政策。因此,我们提出的方法提供了一个有前途的替代现实世界的协调问题,否则将是计算昂贵的解决或无形的探索。
2017-09-19 cs.AI cs.LG cs.MA
SwarmDiff: Swarm Robotic Trajectory Planning in Cluttered Environments via Diffusion Transformer
Department of Advanced Manufacturing and Robotics, College of Engineering, Peking University(先进制造与机器人系,工程学院,北京大学);Department of Computer Science, The University of Hong Kong(计算机科学系,香港大学)
针对杂乱环境中群体机器人轨迹规划的效率、扩展性与安全挑战,提出分层生成框架SwarmDiff,结合PDF建模、条件扩散、CVaR和DiT实现高效安全的轨迹规划,性能优于现有方法。
2025-05-21 cs.MA cs.RO
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
SwarmUS: An open hardware and software on-board platform for swarm robotics development
University of Sherbrooke(舍布鲁克大学)
分布式群体机器人的实际应用是罕见的。通用群体机器人平台的标准化可以极大地加速群体机器人向现实生活的实现。SwarmUS平台是一个开源的硬件和软件板载嵌入式系统,旨在添加到现有的机器人上,同时为它们提供群功能,从而提出了一个新的平台标准化问题。这些功能包括基于超宽带的分布式相对定位系统、基于Wi-Fi的本地通信系统和基于SwarmUS平台内连接的机器人之间的Buzz程序设计语言的分布式协调系统。此外,一个人与群体的互动移动应用程序和仿真的机器人操作系统(ROS)的平台。最后,该系统的实现和测试两种类型的机器人:一个TurtleBot3汉堡和两个先锋2DX。
2022-03-05 cs.MA cs.RO cs.SY
Dual-Stage Safe Herding Framework for Adversarial Attacker in Dynamic Environment
针对动态环境中对抗性攻击者的安全问题,提出基于可达-避免博弈与局部运动规划的分层混合牧群框架,通过虚拟边界和事件触发追击实现安全高效引导。
2025-09-10 cs.RO
The Swarmathon: An Autonomous Swarm Robotics Competition
The University of New Mexico(新墨西哥大学);Florida Institute of Technology(佛罗里达理工学院);NASA Kennedy Space Center(美国国家航空航天局肯尼迪航天中心);Santa Fe Institute(圣达菲研究所)
Swarmathon是一个群体机器人编程挑战,吸引了来自NASA火星之旅少数民族服务机构的大学生。参赛队伍通过编程一组机器人在收集区搜索、拾取和放下资源来进行竞争。Swarmathon为机器人群生产原型,这些机器人群将在火星表面收集资源。机器人完全自主运行,没有全局地图,每个团队的算法必须足够灵活,以有效地从各种未知分布中找到资源。Swarmathon包括物理和虚拟比赛。物理竞赛者在他们在学校建造的机器人上测试他们的算法;然后他们上传代码,在肯尼迪航天中心的户外竞技场进行为期三天的比赛,在相同的机器人上自主运行。虚拟竞争者在模拟中完成相同的挑战。参与者指导当地球队在一个单独的高中组比赛。在最初的两年里,有1,100多名学生参加。63%的学生来自代表性不足的民族和种族群体。参与者在兴趣和核心机器人能力方面都有显着的收获,这些能力在性别和种族群体中是等同的,这表明Swarmathon正在有效地教育未来机器人专家的多样化人群。
2018-05-21 cs.MA cs.RO
Swarm Engineering Through Quantitative Measurement of Swarm Robotic Principles in a 10,000 Robot Swarm
University of Minnesota(明尼苏达大学)
在设计群机器人系统时,需要对来自不同领域的算法进行系统比较,以确定哪种算法能够扩展以处理目标问题大小和目标操作条件。我们提出了一套量化的可扩展性,灵活性和紧急性,能够解决这些需求在系统设计过程中的指标。我们证明了我们提出的指标作为设计工具的适用性,通过解决一个大的对象收集问题,在随时间变化的操作条件下,使用迭代假设评估。我们提供了超过10,000个机器人的群集模拟实验结果。
2019-07-08 cs.RO
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
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
A Comprehensive Review of Shepherding as a Bio-inspired Swarm-Robotics Guidance Approach
University of New South Wales(新南威尔士大学);Australian Defence Science and Technology (DST) Group(澳大利亚国防科技集团)
本文全面综述了受牧羊犬行为启发的群体牧羊控制技术,探讨其在仿真及无人车辆与机器人控制中的研究进展,揭示该方法未来在众多机器人系统中的应用优势与潜力。
2020-04-30 cs.AI cs.RO cs.SY
Maximizing Energy Battery Efficiency in Swarm Robotics
University of Minnesota(明尼苏达大学)
小型化和成本是群体机器人的两个主要吸引力因素,促使其在物体收集任务,搜索和救援任务以及其他应用中作为解决方案使用。然而,在目前的文献中,只有少数论文考虑的能量分配效率在一个群体。一般来说,机器人每次都无条件地充电到最大水平,并且不包含对下一个任务所需能量的估计。在本文中,我们提出了一种能源效率最大化的方法,最大限度地减少了群体内的整体能源成本,同时最大限度地提高群体的性能上的对象收集任务。该方法利用电池上限和下限的动态阈值。该方法还显示出提高了现有能量管理方法的效率。
2019-06-05 cs.MA cs.RO
AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms
University of Bristol(布里斯托大学);University of York(约克大学)
本文提出AERoS流程,遵循AMLAS指南,用于保证自主机器人群体中涌现行为的安全性,并通过公共衣帽间机器人案例进行验证。
2023-02-20 cs.AI cs.RO
GenGrid: A Generalised Distributed Experimental Environmental Grid for Swarm Robotics
IIIT-Bangalore(班加罗尔印度理工学院)
GenGrid是一种低成本、模块化的开源分布式实验环境网格平台,兼容多种移动机器人,支持双向通信与数据采集,能以最少资源运行多种群体机器人实验,突破了商业平台难以修改的局限。
2025-04-24 cs.MA cs.RO
End-to-End Design for Self-Reconfigurable Heterogeneous Robotic Swarms
University of Turku(图尔库大学);Aalto University(阿尔托大学)
更广泛的应用需要机器人群在现实世界的应用中更加灵活。在需要实时处理大量数据和高度态势感知的复杂场景中,仍然存在多种挑战。在这个方向上的选择是有限的,在现有的机器人群,大多是同质的机器人有限的操作和重新配置的灵活性。我们通过将弹性计算技术和动态资源管理从边缘云计算领域引入群机器人领域来解决这个问题。这使得群体中的集体能力的动态供应能够用于不同的应用。因此,我们将群转换为能够执行复杂数据处理任务的分布式传感和计算平台,然后可以将其作为服务提供。特别是,我们讨论了如何将其应用于自适应资源管理的异构群的无人机,以及我们如何实现分布式数据处理算法的动态部署。通过构建在可重构硬件和容器化服务上的弹性无人机群,将有可能提高异构机器人群的自我意识、智能程度和自主水平。我们描述了新的方向合作的看法,和新的方式与机器人群体的互动。
2020-04-29 cs.DC cs.MA cs.RO
Autonomous Situational Awareness for Robotic Swarms in High-Risk Environments
the University of Alabama(阿拉巴马大学)
本文介绍了一种技术,自主任务规划的机器人群在高风险的环境中,代理禁用是可能的。给定在已知区域中运行的群,中央命令系统从群生成测量结果。如果这些测量结果表明任务情况发生了变化,如目标移动或代理丢失,则群规划将更新以反映新的情况,并将制导更新广播到群。在这项工作中的主要算法是A* 寻路和广义标记多伯努利多目标跟踪方法。
2021-05-11 cs.MA cs.RO cs.SY
Closing the Gap in Swarm Robotics Simulations: An Extended Ardupilot/Gazebo plugin
Edinburgh Centre for Robotics(爱丁堡机器人中心)
这项工作提供了Ardupilot的能力的扩展,使研究人员能够在机器人操作系统(ROS)/露台模拟中开发群机器人应用程序。Ardupilot是一款用于自主空中、陆地和水下机器人自动驾驶功能的工具。然而,最初的Ardupilot并不是为群体机器人领域的应用而设计的。因此,本文的主要贡献是赋予Ardupilot处理群机器人仿真的能力,包括制造商的描述文件的重构。这项工作提供了一个全面的和现实的仿真测试平台,用于ROS/Ardupilot伞下的群机器人应用,使用现有的现成的Erdibotics的erlecopter无人机。
2018-11-16 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
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
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
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
Autonomous Robotic Swarms: A Corroborative Approach for Verification and Validation
University of Bristol(布里斯托尔大学);The University of Manchester(曼彻斯特大学)
针对自主机器人集群涌现行为的安全保证难题,提出一种结合宏观形式化建模、低保真与高保真仿真及真实机器人实验的印证式验证与确认方法,以增强证据可信度。
2025-02-28 cs.AI cs.RO
Pogobot: an Open-Source, Low-Cost Robot for Swarm Robotics and Programmable Active Matter
Sorbonne Université, CNRS, ISIR(索邦大学,法国国家科学研究中心,ISIR研究所);Gulliver Lab, ESPCI Paris - PSL(Gulliver实验室,巴黎ESPCI-PSL);Sorbonne Université, SUMMIT(索邦大学,SUMMIT研究所);Sorbonne Université, CNRS, IBPS, LJP(索邦大学,法国国家科学研究中心,IBPS,LJP)
本文提出开源低成本机器人平台Pogobot,通过振动/轮式运动、红外定向通信和模块化架构,支持群体智能与可编程活性物质研究,并已在多所大学部署超过200台。
2025-11-07 cs.AI cs.MA cs.RO
Augmented Reality for Human-Swarm Interaction in a Swarm-Robotic Chemistry Simulation
University of Colorado at Boulder(科罗拉多大学博尔德分校)
我们提出了一种方法来注册一个机器人群体的个体成员在增强现实显示,同时显示有关群体动态的用户,否则将被隐藏的相关信息。同一群中的个体成员和集群通过它们的颜色来识别,并且通过以特定的时间间隔闪烁来识别,该时间间隔与它们的邻居闪烁的时间间隔不同。我们表明,这个问题是一个实例的图着色问题,它可以在O(log(n))的时间在分布式的方式解决。我们展示了我们的方法,使用群体化学模拟,其中机器人模拟单个原子,形成分子的化学规则。然后,使用增强现实来显示有关单个群成员的内部状态以及它们的拓扑关系(对应于分子键)的信息。
2019-12-02 cs.CV cs.RO
Socially Inspired Communication in Swarm Robotics
University of Minnesota(明尼苏达大学)
群体中的局部通信已被证明在某些情况下通过允许额外的合作机会来提高群体的有效性。然而,交流和利用可能过时的信息也是一个令人关切的问题。我们提出了一个明确的非定向的基于目标的通信模型和消息接受/拒绝计划,并测试我们的模型在一组对象收集实验与一群机器人。实验的结果表明,即使是低水平的沟通群体的目标优于高水平的随机信息沟通。
2019-06-03 cs.RO
Density Matrix-based Dynamics for Quantum Robotic Swarms
本文提出利用密度矩阵表示机器人群作为混合量子态,以解决传统矩阵方法在大群规模下的计算瓶颈,并实现去中心化行为。
2026-03-15 cs.RO quant-ph
DOTS: An Open Testbed for Industrial Swarm Robotic Solutions
University of Bristol(布里斯托大学);Toshiba Research(东芝研究院)
我们提出了DOTS,一个新的开放获取的测试平台,用于工业群体机器人实验。它由20个快速敏捷的机器人组成,具有高传感和计算性能,以及真实世界的有效载荷能力。他们被安置在一个配备私人5G,动作捕捉,多个摄像头的竞技场中,并通过在线门户网站开放访问。我们通过提供一个完整的平台无关的管道来开发,模拟和部署实验应用程序到群,从而降低了进入门槛。我们通过一个集群物流应用展示了测试平台的功能,可以自主可靠地搜索和检索多个货运承运人。
2022-03-25 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
Adaptive Coordinated Motion Control for Swarm Robotics Based on Brain Storm Optimization
Southern University of Science and Technology(南方科技大学)
群体机器人的协调运动控制旨在确保空间中成员的一致性,即,群中的机器人执行协调运动以维持空间结构。这个问题可以建模为跟踪控制问题,其中群体中的个体在考虑特定的相对距离或方向的情况下跟随目标位置。为了降低通信开销,可以利用PID控制器在不需要先导速度信息的情况下实现先导-跟随跟踪控制任务。然而,控制器的参数需要进行优化,以适应情况的变化,如不同的群体人口,目标的变化被跟踪,和防碰撞的要求等,在这封信中,我们采用了一种改进的头脑风暴优化(BSO)算法的增量PID跟踪控制器,以获得相对最优的参数自适应的主从编队控制的群体机器人。仿真结果表明,该方法能够在机器人运动过程中达到最优参数。该方法具有灵活性和可扩展性,能够适应不同的应用场景,为群体机器人的协调运动控制提供了一种新的选择。
2021-05-27 cs.RO
Fly Safe: Aerial Swarm Robotics using Force Field Particle Swarm Optimisation
University of Liverpool(利物浦大学)
粒子群优化(PSO)是一种功能强大的优化算法,可用于在搜索空间中定位全局最大值。最近的兴趣在成群的微型飞行器(MAVs)回避了一个问题,即粒子群优化算法是否可以被用来作为一种方法,使真正的机器人群来定位一个目标的目标点。然而,原始的PSO算法在搜索过程中没有考虑粒子之间的碰撞。在本文中,我们提出了一种新的算法称为力场粒子群优化(FFPSO),指定排斥力场粒子,使这些领域提供了一个额外的速度分量到原来的PSO方程。我们比较了FFPSO与PSO的性能,表明它有能力将搜索过程中的粒子碰撞次数减少到0,同时也能够在类似的时间内找到感兴趣的目标。该算法的可扩展性也证明了通过一组实验,考虑如何崩溃的数量和所需的时间,以找到目标的变化,根据群体的大小。最后,我们证明了算法的适用性上的一群真正的微型飞行器。
2019-07-17 cs.RO
Securing emergent behaviour in swarm robotics
University of Surrey(萨里大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
群机器人是研究如何设计大量相对简单的机器人,以便从机器人之间以及机器人与环境之间的局部交互中产生所需的集体行为。虽然一个群体的许多方面可以被建模为各种类型的ad hoc网络,因此,许多方面的安全的群体可以通过传统的手段来实现,在这里,我们将集中在群体的紧急行为,最区别于ad hoc网络的群体机器人。我们讨论了紧急行为对通信安全带来的挑战,并通过按机器人类型,通信渠道类型和对手类型对群进行分类,我们研究了哪些类别可以通过传统方法进行保护,并专注于与允许紧急行为最相关的方面。我们将研究如何通过确保通信安全来确保这一点。我们提出了一个简单的解决方案,使用散列链,并通过建模群通信使用一系列随机图,我们表明,这使我们能够识别流氓机器人的概率很高。
2021-02-05 cs.CR cs.RO
AprilTags 3D: Dynamic Fiducial Markers for Robust Pose Estimation in Highly Reflective Environments and Indirect Communication in Swarm Robotics
MIT(麻省理工学院)
虽然基准标记在实验室条件下给出了精确的姿态估计,其中噪声因素得到控制,但在现场机器人应用中使用它们仍然是一个挑战。这受限于基准标记器系统,因为它们仅在RGB图像空间内工作。结果,图像中的噪声产生大的姿态估计误差。在机器人应用中,基准标记主要以其原始和简单的形式使用,如印刷纸张中的平面。这种设置对于基本的视觉伺服和增强现实应用是足够的,但对于复杂的群机器人应用是不够的,在这些应用中,设置由多个动态标记(显示在LCD屏幕上的标签)组成。本文介绍了一种新的方法,称为AprilTags3D,提高姿态估计精度的AprilTags在现场机器人只有RGB传感器,通过添加第三个维度的标记检测器。此外,提出了实验结果,从应用所提出的方法来集群自主机器人船之间的锁定,并创建机器人编队。
2020-01-11 cs.RO
Dynamic Reconfiguration of Robotic Swarms: Coordination and Control for Precise Shape Formation
针对机器人集群构型转换中路径规划难、受物理系统误差干扰的问题,本文提出基于几何公式结合控制、定位与建图技术的协调算法,可实现构型无缝转换,支撑更复杂的集群分布式行为。
2025-11-14 cs.RO
A Unified Stochastic Mechanism Underlying Collective Behavior in Ants, Physical Systems, and Robotic Swarms
Computer Science and Artificial Intelligence Laboratory, MIT, MA, US(麻省理工学院计算机科学与人工智能实验室);The International Institute for Industrial Environmental Economics, Lund University, Sweden(隆德大学国际工业环境经济研究所)
本文通过蚂蚁实验揭示生物与物理系统共享“不同能量函数约束下最大化”的随机机制,并据此构建统一随机模型,使机器人集群能以极低个体计算实现可扩展、去中心化的相变式合作。
2025-11-08 cs.RO
Decentralized Control of Minimalistic Robotic Swarms For Guaranteed Target Encapsulation
Cornell University(康奈尔大学)
我们提出了一个分散控制算法的最低限度的机器人群体与有限的能力,使所需的全球行为出现。我们考虑的问题,搜索和封装存在于环境中的各种目标,同时避免与静态和动态障碍物的碰撞。这项工作的新颖之处是保证生成所需的复杂的群体行为与受约束的个人机器人,没有记忆,没有本地化,没有知识的确切相对位置的邻居。此外,我们分析了如何紧急行为的变化与不同的参数的任务,噪声在传感器读取,和异步执行。
2022-12-18 cs.RO
ColCOS$Φ$: A Multiple Pheromone Communication System for Swarm Robotics and Social Insects Research
University of Lincoln(林肯大学);Guangzhou University(广州大学)
在过去的几十年里,我们目睹了社会昆虫的信息素如何成为群体机器人的丰富灵感来源。通过利用物理群体机器人系统中的虚拟信息素来协调个体并实现像社会昆虫一样的机器人之间的直接/间接通信,出现了污名行为。然而,许多研究只考虑一个单一的信息素在解决群体问题,这是不是真正的昆虫的情况。在真实的社会性昆虫世界中,不同种类的信息素及其相互作用指导着昆虫的多样性行为、复杂的集体行为以及从一种状态到另一种状态的灵活转换。因此,基于多种信息素的策略是否能启发群体机器人的研究,以及受多种信息素控制的群体机器人的行为如何为解释社会性昆虫的行为带来启发,将成为一个有趣的问题。因此,为了提供一个可靠的系统来进行多信息素的研究,在本文中,我们专门提出并实现了一个多信息素通信系统称为ColCOS $Φ$。该系统包括一个虚拟信息素子系统,其中的多种信息素是由一个彩色图像显示在屏幕上,和微型机器人平台设计的群体机器人应用。通过两个实例验证了该系统的有效性:一个是基于蚂蚁饲料的多种信息素,另一个是聚集和报警信息素的相互作用。实验结果证明了ColCOS $Φ$模型的可行性及其在指导群体机器人和社会性昆虫研究中的巨大潜力。
2019-06-05 cs.RO
Hearing the shape of an arena with spectral swarm robotics
Université Paris Cité(巴黎西岱大学);CNRS(法国国家科学研究中心);LIMMS (IRL2820)/CNRS-IIS(LIMMS(IRL2820)/法国国家科学研究中心-东京大学);University of Tokyo(东京大学);Sorbonne Université(索邦大学);Ochanomizu University(御茶水女子大学);Université Jean Monnet Saint-Étienne(圣艾蒂安让·莫内大学);Institut Universitaire de France(法国大学研究院)
引入谱群机器人技术,通过机器人扩散信息模拟拉普拉斯算子以“听到”竞技场谱并识别其形状,揭示了最优机器人数量与交互半径的缩放规律,并用 Kilobots 实验验证。
2026-10-23 cs.AI cs.CG cs.RO
Swarm robotics in wireless distributed protocol design for coordinating robots involved in cooperative tasks
University of Calabria(卡拉布里亚大学);Middlesex University London(伦敦密德萨斯大学)
在未探测区域探测地雷是一个优化问题,其中需要在最短的时间内发现并拆除随机分布在整个区域的多个地雷。我们提出了一种策略,探索一个未知的领域,使用基于蚂蚁行为的stigmergy方法,和一种新的基于群的协议,以招募和协调机器人解除地雷合作。仿真测试表明,我们提出的基于蚂蚁的任务机器人协调(ATRC)的有效性,只有探索任务,探索和招募策略。多个最小化的目标被认为是:机器人的招聘时间和整个区域的探索时间。我们讨论,通过模拟,不同的情况下,不同的网络和现场条件下,由机器人执行。结果表明,所提出的分散方法使机器人群体能够在没有任何中央控制的情况下智能地执行协作任务。
2018-04-22 cs.AI cs.RO
Mixed Reality Environment and High-Dimensional Continuification Control for Swarm Robotics
Scuola Superiore Meridionale(南方高等学院);University of Rome La Sapienza(罗马第一大学);Tandon School of Engineering, New York University(纽约大学坦登工程学院);University of Naples Federico II(那不勒斯费德里科二世大学)
该研究提出结合真实与虚拟智能体的混合现实群体机器人实验平台,并将连续化控制方法拓展至高维,经实验验证了平台有效性与算法理论价值。
2024-07-15 cs.RO cs.SY eess.SY
SwarmPRM: Probabilistic Roadmap Motion Planning for Large-Scale Swarm Robotic Systems
College of Engineering, Peking University(北京大学工学院)
本文提出SwarmPRM,一种分层可扩展的基于采样的运动规划方法,利用GMM表示集群宏观状态并构建高斯路线图,结合CVaR增强风险意识,通过线性规划优化轨迹,显著提升大规模集群机器人的计算效率、可扩展性与轨迹质量。
2024-10-13 cs.RO
A Self-Guided Approach for Navigation in a Minimalistic Foraging Robotic Swarm
Delft University of Technology(代尔夫特理工大学)
我们提出了一个生物启发的设计群觅食蚂蚁的信息素部署的基础上,假设群具有非常有限的能力。机器人不需要全球或相对位置测量,群是完全分散的,不需要任何基础设施。此外,该系统只需要通过机器人网络进行单跳通信,我们不对通信图的连通性进行任何假设,并且信息和计算的传输相对于代理的数量是可扩展的。这是通过让群体中的代理充当觅食者或引导代理(信标)来完成的。我们给出了一个Elisa-3机器人群在模拟器上的实验结果,并展示了该群如何自组织解决未知环境中的觅食问题,收敛到最短路径附近的轨迹。最后,我们讨论了这样一个系统的局限性,并提出了如何提高觅食效率。
2021-09-09 cs.RO
PheroCom: Decentralised and asynchronous swarm robotics coordination based on virtual pheromone and vibroacoustic communication
Federal University of Uberlândia(乌贝兰迪亚联邦大学)
生物启发的方法所使用的stigmergic物质的动态表示和控制是一个挑战,当应用于机器人。为了克服这一挑战,这项工作提出了一个模型,以协调机器人群的基础上虚拟化和控制这些物质在本地范围内。该模型提出了一种新的信息素建模,使分散和导航决策的精确性。每个机器人保持一个独立的虚拟信息素地图,这是不断更新的机器人的存款和信息素蒸发。此外,个体信息素地图也通过聚合来自正在探索附近区域的其他机器人的信息来更新。因此,个体和独立的地图取代了控制和分发信息素信息的集中代理的需要,这并不总是可行的。信息素信息传播的灵感来自蚂蚁的振动声通信,而振动声通信的特征在于通过一种八卦协议的间接通信。该模型进行了评估,通过代理模拟软件,实现了作者,并在Webots平台。实验进行了验证模型在不同的环境中,具有不同的形状和大小,以及不同的机器人的数量。结果分析表明,该模型能够执行群体的协调,机器人表现出表现力的执行监视任务的性能。
2022-02-27 cs.AI cs.MA cs.NE
On the throughput of the common target area for robotic swarm strategies -- extended version
Lancaster University(兰卡斯特大学)
当许多机器人同时试图到达同一区域时,机器人群可能会遇到交通拥堵。为了有效地解决这个问题,机器人必须执行分散的交通控制算法。在这项工作中,我们提出了一个衡量的访问效率的一个共同的目标区域的机器人在群中的数量上升:共同的目标区域的吞吐量。这里我们还采用了目标区域渐近吞吐量--即,随着时间趋于无穷大,目标区域的吞吐量随着机器人数量的增加总是有限的,而相对于趋于无穷大的每机器人数量到达目标的相对时间。使用这个度量,我们可以分析比较不同算法的有效性。特别是,我们提出并正式评估三种不同的理论策略,以获得一个圆形的目标区域:(i)形成平行队列的目标区域,(ii)形成一个六边形包装通过走廊去的目标,(iii)使多个弯曲的轨迹对目标区域的边界。我们计算了固定时间的吞吐量和这些策略的渐近吞吐量。此外,我们通过模拟证实了这些结果,表明当一个策略具有更高的吞吐量时,它的到达时间较低。因此,我们的结论是,使用吞吐量是非常适合比较拥挤算法的机器人群中的一个共同的目标区域,即使我们没有他们的封闭渐近方程。
2022-03-30 cs.MA cs.RO
Substrate-Timing-Independence for Meta-State Stability of Distributed Robotic Swarms
International School of Engineering, Faculty of Engineering, Chulalongkorn University(国际工程学院,工程学院,朱拉隆梭大学)
本文提出一种基于通信顺序进程的基板时序无关形式化方法,自动识别并修正机器人集群设计中的错误元状态成因,仿真与实物实验验证了修正后集群行为持续正确。
2025-09-20 cs.RO
G-flocking: Flocking Model Optimization based on Genetic Framework
National University of Defense Technology(国防科技大学)
群集模型被广泛应用于机器人群体的控制。然而,随着可扩展性的提高,机器人群体在自主导航中存在着内部模式维护、外部环境变化、目标区域定位等复杂冲突,导致稳定性和适应性较差。因此,优化机器人群体自主导航的群集模型是一个重要而有意义的研究领域。
2019-07-27 cs.MA cs.RO
BittyBuzz: A Swarm Robotics Runtime for Tiny Systems
Polytechnique Montreal(蒙特利尔理工学院)
本文提出 BittyBuzz 运行时,使 Buzz 语言能在仅 32 kB 闪存和 2 kB RAM 的微控制器上支持动态内存管理,并在三类机器人平台上验证其可实现常见群体行为。
2023-07-13 cs.RO
Design of a Formation Control System to Assist Human Operators in Flying a Swarm of Robotic Blimps
Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology(香港科技大学电子与计算机工程系);School of Software Engineering, Beijing Jiaotong University(北京交通大学软件学院);Department of Electronic Engineering, Sunchon National University(全州国立大学电子工程系);Department of Computer Science, Emory University(埃默里大学计算机科学系)
针对室内机器人飞艇集群,本文设计带动态领航者切换的领航者—跟随者编队控制系统,由人工仅控制领航者、跟随者依靠机载视觉与激光高度计自主定位,实验证明其能在急转弯等场景中稳定编队并减轻操作负担。
2025-05-14 cs.MA cs.RO cs.SY
Distributed Camouflage for Swarm Robotics and Smart Materials
University of Colorado, Boulder(科罗拉多大学博尔德分校)
我们提出了一个分布式算法的一群活跃的粒子伪装在一个环境中。每个粒子都配备了传感、计算和通信功能,使系统能够从环境中获取颜色和梯度信息,并自组织成适当的模式。目前的人工伪装系统要么局限于静态图案,这是适应特定的环境,或依赖于背投影,这取决于观众的观点。受乌贼伪装能力的启发,我们提出了一种分布式估计和模式形成算法,可以快速适应不同的环境。我们目前的收敛结果在模拟以及一群微型机器人“水滴”的各种模式。
2017-09-20 cs.RO