Multi-Robot Task Allocation -- Complexity and Approximation
UNSW Sydney(新南威尔士大学悉尼分校);University of Nebraska-Lincoln(内布拉斯加大学林肯分校);Hasso Plattner Institute(哈索·普拉特纳研究所);University of Potsdam(波茨坦大学);Hong Kong Polytechnic University(香港理工大学)
多机器人任务分配是机器人领域最基本的问题之一,对于搜索、救援和区域探索等实际机器人应用至关重要。我们考虑单任务机器人和多机器人任务的即时分配(ST-MR-IA)设置,每个任务需要至少一定数量的机器人,每个机器人可以工作在最多一个任务,并招致每个任务的运营成本。我们的目标是考虑一个自然的计算问题分配机器人完成任务的最大数量的预算约束。我们考虑三种不同类型的预算约束:(1)总预算,(2)任务预算,(3)机器人预算。我们提供了一个详细的复杂性分析,包括近似的结果,以及多项式时间算法的一般设置和重要的限制设置。
2021-03-23 cs.AI 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
Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints
University of Minnesota, Twin Cities(明尼苏达大学双城分校);Boston University(波士顿大学)
提出双层多机器人框架,在未知转移模型下结合任务分配与分布式策略学习,利用实时执行数据自适应更新完成概率和奖励,并通过理论与仿真验证其满足时间窗时序逻辑的概率阈值。
2025-02-14 cs.AI cs.FL cs.RO
Multi-Robot Task Allocation for Homogeneous Tasks with Collision Avoidance via Spatial Clustering
IIIT Bhubaneswar(比哈尔邦理工学院);Dept. of Computer Science(计算机科学系);Maharaja Sriram Chandra Bhanja Deo University(玛哈拉吉·斯里拉姆·查兰德拉·班贾德欧大学)
提出结合 K-means 与 2-Opt 的空间聚类框架,统一解决工业同质测量任务的 MRTA 与避碰问题,显著降低耗时、提升解质量并消除碰撞。
2025-05-15 cs.AI cs.RO
Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration
本综述聚焦人机协作(HRC)中人类被动参与、机器人难适配的问题,识别并连接直观信息交换与技能转移的关键组件,考察交互全流程,为更自适应、易访问的HRC指明趋势与方向。
2025-11-11 cs.AI cs.LG cs.RO
Task Allocation for Multi-Robot Task and Motion Planning: a case for Object Picking in Cluttered Workspaces
Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa(热那亚大学信息学、生物工程、机器人与系统工程系)
我们提出了一个与/或图为基础的,集成的多机器人任务和运动规划的方法,(一)执行任务分配协调活动的一个给定数量的机器人,(ii)是能够处理任务,涉及一个先验未知数量的对象重新安排,如那些参与检索对象从杂乱的机器人。例如,在搜索和救援场景中,当定位/拾取杂乱的感兴趣对象时,可能会出现这种情况。相应的问题属于杂乱规划的范畴。在杂波中进行规划时的挑战之一是,通常事先不知道拾取目标对象所需的对象重新布置的数量。此外,这样的任务可以以各种方式分解,因为不同的杂乱对象重新布置可能到达目标对象。在我们的方法中,任务分配和分解是通过最大化的组合效用函数。分配的任务由一个集成的任务和运动规划器,这是强大的要求未知数量的重新安排任务。我们证明了我们的结果与实验模拟两个FrankaReplika机械手。
2021-10-08 cs.AI 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
Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
针对复杂时序逻辑规范下的多机器人任务分配与规划问题,提出基于分解的分层框架,通过原子子任务分解、任务网络构建及混合整数线性规划分配,在导航和操作仿真中实现更优解和更短运行时间。
2024-05-23 cs.AI cs.RO
A Unified Architecture for Dynamic Role Allocation and Collaborative Task Planning in Mixed Human-Robot Teams
Istituto Italiano di Tecnologia(意大利理工学院);Università di Trento(特伦托大学);Politecnico di Milano(米兰理工大学)
本文提出一种基于行为树和混合整数线性规划的统一架构,实现混合人机团队中动态角色分配与协作任务规划,并通过增强现实界面支持人机协商,在工业规模问题上表现出高效性与灵活性。
2023-09-25 cs.AI cs.HC cs.MA
AAAI SSS-22 Symposium on Closing the Assessment Loop: Communicating Proficiency and Intent in Human-Robot Teaming
拟议的研讨会重点是理解,建模和提高(a)从人类到机器人的沟通能力和(b)从人类到机器人的沟通意图的有效性。例如,机器人应该如何在新任务中传达预测的能力?它应该如何报告刚刚完成的任务的性能?机器人应该如何根据人类的意图和价值观调整其熟练程度标准?人工智能、机器人技术、HRI和认知科学领域的社区已经解决了相关问题,但对于评估熟练程度和基于意图的交互没有达成一致的标准。由于各种原因,这是人机交互的紧迫挑战。先前的工作表明,一个机器人,可以评估其性能可以改变人类的机器人和控制分配的决定。在机器人领域也有重要的证据表明,准确地设定人类的期望是至关重要的,特别是当熟练程度低于人类期望时。此外,熟练度评估取决于上下文和意图,人类队友可能会增加或减少性能标准,调整对风险和不确定性的容忍度,要求影响注意力分配的预测评估,或以其他方式重新评估或调整意图。
2022-04-05 cs.AI cs.RO
Simultaneous Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
本文提出分层有限轨迹线性时序逻辑 H-LTL$_f$,并开发基于搜索的多机器人同时任务分配与规划方法,通过子空间近似和多种启发式在保证解质量的同时显著提升规划效率。
2025-06-05 cs.AI cs.FL cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行,这提供了有关单个机器人行为的更详细信息,但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具,我们展示了如何生成一系列的多机器人策略,如果单个机器人失败,则迭代地改进它们以重新分配任务,并提供概率保证机器人团队的性能(和安全操作)。我们实现我们的方法,并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院);Shanghai Institute of Intelligent Science and Technology, Tongji University(同济大学上海智能科学技术研究院)
针对动态环境下机器人群的任务分配优化问题,提出融合CTDE的LIA_MADDPG算法,通过LIA模块提升决策效率,实证表明其可无缝集成到多种MARL方法中,且在多维度性能上优于传统算法。
2024-11-29 cs.AI cs.MA cs.RO
Towards Practical Multi-Robot Hybrid Tasks Allocation for Autonomous Cleaning
Harbin Institute of Technology(哈尔滨工业大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Science(中国科学院深圳先进技术研究院);Chongqing University(重庆大学);Gaussian Robotics(高仙机器人)
本文针对不确定环境下多机器人自主清洁中的混合任务分配问题,提出鲁棒混合整数线性规划模型,构建含100实例的数据集,并通过传统优化与深度强化学习求解器验证了方法的有效性与鲁棒性。
2023-04-04 cs.AI cs.RO
Bigraph Matching Weighted with Learnt Incentive Function for Multi-Robot Task Allocation
University at Buffalo(布法罗大学)
针对多机器人任务分配中启发式规则推导困难的问题,提出融合图强化学习与改进胶囊注意力网络的二部图匹配方法,性能与专家启发式方法相当且鲁棒性更强。
2024-03-11 cs.AI cs.MA
Decentralized Task Allocation in Multi-Robot Systems via Bipartite Graph Matching Augmented with Fuzzy Clustering
University at Buffalo(布法罗大学)
机器人系统作为一个团队一起工作,正在成为从灾难响应到仓库履行服务等不同现实世界应用中的重要参与者。用于协调多机器人团队的集中式解决方案通常存在可扩展性差和通信中断的脆弱性。本文提出了一种分散式多智能体任务分配(Dec-MATA)算法的多机器人应用。任务规划问题是作为一个最大加权匹配的二分图,使用开花算法的解决方案,使每个机器人自主识别的最佳序列的任务,它应该承担。基于软聚类过程确定图的权重,软聚类过程也起到了问题分解的作用,以降低个体Agent任务分配问题的复杂性。为了评估新的Dec-MATA算法,进行了一系列的案例研究(不同的复杂性),任务随机分布在一个可观察的2D环境。一个集中的方法,一个国家的最先进的MILP制定的多旅行商问题的基础上进行比较分析。在集中式算法获得的最优成本的7-28%范围内,Dec-MATA算法被发现比集中式算法快1-3个数量级,并且对任务与机器人比率的敏感性最低。
2018-07-20 cs.AI cs.MA cs.RO
Together We Rise: Optimizing Real-Time Multi-Robot Task Allocation using Coordinated Heterogeneous Plays
TCS Research(塔塔咨询服务研究中心)
针对动态仓库中的实时多机器人任务分配问题,提出双智能体强化学习框架MRTAgent,结合改进LQR控制器,在支持连续运动的同时优化任务分配与机器人选择,以最小化行驶距离和延迟。
2025-02-22 cs.AI cs.LG cs.MA
Effective Multi-Robot Spatial Task Allocation using Model Approximations
Boğaziçi University(博阿齐奇大学)
现实世界中的多智能体规划问题不能解决决策理论的规划方法,由于指数的复杂性。我们近似消防救援模拟作为一个空间分布的任务和模型与多智能体马尔可夫决策过程。我们使用最近的空间任务问题的近似方法,以减少模型的复杂性。我们的近似是单代理,静态任务,最短路径修剪,动态规划视野,任务聚类。我们从RoboCup救援模拟地图创建场景,并在这些图形世界上评估我们的方法。结果表明,我们的方法是更快,更好地比可比的方法,并具有可忽略不计的性能损失相比,最佳的政策。我们还表明,我们的方法具有类似的性能DCOP方法的示例RCRS的情况下。
2016-06-04 cs.AI cs.MA cs.RO
Distributed Allocation and Scheduling of Tasks with Cross-Schedule Dependencies for Heterogeneous Multi-Robot Teams
University of Zagreb(萨格勒布大学);Universidad de Sevilla(塞维利亚大学)
为了在日常生活中安全有效地使用多机器人系统,必须开发一种鲁棒且快速的方法来协调它们的动作。在本文中,我们提出了一个分布式任务分配和调度算法的任务中,不同的机器人的任务是紧耦合的时间和优先约束。该方法是基于代表的车辆路径问题的一个变种的问题,并使用分布式元启发式算法的基础上演化计算(CBM-POP)的解决方案。这种方法允许快速和接近最优的分配,因此可以用于在任务变化的情况下进行在线重新规划。仿真结果表明,该方法具有更好的计算速度和可扩展性,而不会损失最优性相比,最先进的分布式方法。规划过程的实际使用情况下,由多机器人系统温室维护的应用。
2021-09-07 cs.AI cs.RO
Phase-Adaptive LLM Framework with Multi-Stage Validation for Construction Robot Task Allocation: A Systematic Benchmark Against Traditional Optimization Algorithms
Virginia Tech(弗吉尼亚理工大学)
本文提出LTAA框架,结合LLM推理与结构化验证,实现施工机器人任务分配的高效协调,展示LLM在任务分配中的优越性能和可解释性。
2025-12-02 cs.AI cs.LG cs.RO
Understanding EFX Allocations: Counting and Variants
University of Oxford(牛津大学)
本文研究确定给定实例最小EFX分配数量的问题,扩展分析至WEFX和EFX+变体,确定了公平分配存在性的过渡阈值,并解决了WEFX在二元加性估值下的多项式时间可计算性及两智能体常数因子近似的开放问题。
2025-04-04 cs.AI cs.GT econ.TH
A hierarchical spatial-aware algorithm with efficient reinforcement learning for human-robot task planning and allocation in production
Department of Civil Engineering, The University of Hong Kong(香港大学土木工程系)
本文提出了一种分层空间感知算法,结合高效强化学习解决复杂动态生产环境中的人机任务规划与分配问题,通过分解任务和实时规划分配提升生产效率。
2026-04-16 cs.AI
DTRT: Enhancing Human Intent Estimation and Role Allocation for Physical Human-Robot Collaboration
CAS Engineering Laboratory for Intelligent Industrial Vision, Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所CAS工程视觉实验室);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院)
针对物理人机协作中意图估计与角色分配不足的问题,提出基于双Transformer的分层架构DTRT,融合人类运动与力数据,利用CVAE和微分博弈实现准确预测与动态调整,实验验证其优越性。
2025-05-26 cs.AI cs.RO
Application of LLMs to Multi-Robot Path Planning and Task Allocation
Ashish Kumar(独立研究者)
针对多智能体强化学习中因算法复杂性导致的高效探索难题,本研究提出将大型语言模型作为专家规划器,应用于多智能体规划任务以实现高效探索。
2025-07-09 cs.AI cs.RO
Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints
Stanford University(斯坦福大学)
我们考虑在时间窗约束和任务完成不确定性下,动态地将任务分配给多个智能体的问题。我们的目标是尽量减少在行动范围结束时不成功的任务数量。我们提出了一种多机器人分配算法,该算法将不确定性和多智能体协调下的顺序决策的关键计算挑战解耦,并以分层方式解决它们。较低层使用具有树搜索的动态规划计算各个代理的策略,并且上层解决各个计划中的冲突以获得有效的多代理分配。我们的算法,基于随机分配(SCoBA),是最优的期望和完成在一些合理的假设。在实践中,SCoBA的计算效率足以在线交错规划和执行。在成功完成任务的指标上,SCoBA始终优于许多基线方法,并显示出与具有完全前瞻的Oracle相比具有强大的竞争力。它还可以很好地扩展任务和代理的数量。我们在两个不同的领域进行了广泛的模拟,验证了我们的结果:多臂传送带取放和城市中的多无人机交付调度。
2020-07-25 cs.AI cs.RO
Co-GLANCE: Uncertainty-Aware Active Perception for Heterogeneous Robot Teaming
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出Co-GLANCE系统,通过蒸馏视觉语言模型实现实时遮挡分割与机器人分配,结合共形预测与选择性弃权提供统计保证的不确定性量化,驱动主动感知,在真实场景中遮挡分割和分配准确率分别提升25%和36%,推理延迟降低350倍。
2026-06-07 cs.AI cs.LG cs.MA
DREAM: Decentralized Reinforcement Learning for Exploration and Efficient Energy Management in Multi-Robot Systems
Purdue University(普渡大学)
提出 DREAM 去中心化强化学习框架,结合作业范围估计、能耗模型与图神经网络优化多机器人探索和目标分配,在仿真中较基线提升约 25%。
2023-09-29 cs.AI cs.MA cs.RO
Designing for Disagreement: Front-End Guardrails for Assistance Allocation in LLM-Enabled Robots
Technical University of Munich(慕尼黑技术大学)
本文提出一种前端模式,通过限制优先级选择、保持交互相关性及提供可争议路径,解决LLM赋能机器人在多用户辅助分配中的分歧问题。
2026-03-17 cs.AI cs.HC cs.RO
Safe reinforcement learning with online filtering for fatigue-predictive human-robot task planning and allocation in production
CI3 Lab, Department of Civil Engineering, The University of Hong Kong(香港大学土木工程系CI3实验室)
针对工业5.0人机协同制造中疲劳约束下的动态任务规划分配问题,本文提出融合粒子滤波与CD3Q的安全强化学习方法PF-CD3Q,实现疲劳参数在线估计与安全约束下的实时决策。
2026-04-16 cs.AI
Learning Altruistic Collaboration in Heterogeneous Multi-Team Systems
Samueli School of Engineering, University of California, Irvine(加州大学欧文分校萨缪尔学学院);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文研究了通过动态机器人分配实现的异质多团队协作,将机器人视为可转移资源。利用生态学中的哈密顿规则作为利他决策机制,提出了一种具有异质能力、转移成本和能力依赖贡献的多团队协作资源分配框架。所得到的分配问题是组合性的,并被证明是NP难的。为了解决可扩展性问题,我们开发了一种基于图神经网络的策略,在集中训练和分布式执行下近似基于哈密顿规则的利他性分配。该模型在团队交互图上运行,并预测机器人层面的转移决策和下一步的机器人到团队分配。通过消防演习场景的模拟和实验验证了所提出的方法,证明所学习的策略在扩展到更大系统时能够实现接近最优的性能。
2026-10-22 cs.AI cs.MA cs.RO
Automatic MILP Model Construction for Multi-Robot Task Allocation and Scheduling Based on Large Language Models
Huazhong University of Science and Technology(华中科技大学);State Key Laboratory of Intelligent Manufacturing Equipment and Technology(智能制造装备与技术国家重点实验室)
针对多机器人任务分配调度中MILP建模依赖专家且生产数据需本地化的问题,提出融合本地LLM与领域知识库的自动建模框架,实现约束提取与代码生成。
2025-03-18 cs.AI cs.RO
Teach Me What You Want to Play: Learning Variants of Connect Four through Human-Robot Interaction
The Pennsylvania State University(宾夕法尼亚州立大学)
本文研究了如何使用博弈论表示来表示和学习如何玩互动游戏,如连接四。我们结合了学习的演示,主动学习和游戏理论,允许机器人利用其发展中的代表性的游戏进行问答会话与一个人,从而填补其知识的空白。本文演示了一种方法,用于教机器人的游戏连接四个及其变体的获胜条件,使用一个单一的演示和几个试验的例子与问答会议由机器人领导。我们的研究结果表明,机器人可以学习任意的获胜条件的游戏,几乎没有先验知识的获胜条件,然后玩游戏与人类利用学习的获胜条件。我们的实验还表明,一些问题是更重要的学习游戏的获胜条件。我们相信这种方法可以广泛应用于各种互动学习场景。
2021-01-13 cs.AI cs.RO
RoboPARA: Dual-Arm Robot Planning with Parallel Allocation and Recomposition Across Tasks
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, School of Artificial Intelligence, Beihang University(北京未来区块链与隐私计算先进创新中心,人工智能学院,北航);Beijing Innovation Center of Humanoid Robotics(北京人形机器人创新中心);Center for Applied Statistics, School of Statistics, Renmin University of China(应用统计中心,统计学院,中国人民大学)
RoboPARA通过双臂任务并行规划框架,提升复杂多任务场景下的效率和可靠性,引入首个评估双臂任务并行性的数据集。
2026-03-08 cs.AI cs.RO