Frontier-Based Exploration for Multi-Robot Rendezvous in Communication-Restricted Unknown Environments
University of Milan（米兰大学）
本文提出一种基于前沿探索的多机器人会合策略，在通信受限未知环境中整合探索与会合，通过允许重访已探索区域提升会合机会，并在ROS仿真中验证了更快的会合时间。
2024-07-19 cs.RO
CQLite: Communication-Efficient Multi-Robot Exploration Using Coverage-biased Distributed Q-Learning
University of Georgia（佐治亚大学）
针对多机器人协作探索中通信开销高的问题，提出分布式Q学习方法CQLite，通过临时地图合并和选择性共享前沿Q值降低通信与计算成本，并提升覆盖建图性能。
2024-01-18 cs.MA cs.RO
SEAL: Simultaneous Exploration and Localization in Multi-Robot Systems
University of Georgia（佐治亚大学）
SEAL方法通过高斯过程信息融合与通信图优化，结合Rao-Blackwellization，实现多机器人同时探索与定位，在仿真中优于现有方法。
2023-06-22 cs.AI cs.MA cs.RO
Minimalist exploration strategies for robot swarms at the edge of chaos
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；Institute of Science and Technology of Cognition, National Research Council（国家研究委员会认知科学与技术研究所）；Federal University of Rio Grande（里奥格兰德联邦大学）
本文研究资源受限机器人集群的探索问题，提出用随机布尔网络生成混沌或混沌边缘动力学作为 Kilobot 的极简控制器，并通过进化机器人学优化探索行为，显著优于 Lévy 调制的相关随机游走。
2024-06-19 cs.MA cs.RO
Multi-AGV's Temporal Memory-based RRT Exploration in Unknown Environment
Singapore University of Technology and Design（新加坡科技设计大学）
随着多机器人在复杂环境中探索未知区域的需求的增加，需要有效的协作探索策略来实现这一壮举。可以部署基于前沿的快速探索随机树（RRT）探索来探索未知环境。然而，它的贪婪行为导致多个机器人探索具有最高收益的区域，这导致探索过程中的大量重叠。为了解决这个问题，我们提出了一个基于时间记忆的RRT（TM-RRT）的探索策略，多机器人进行鲁棒的探索在一个未知的环境。它为每个分配的边界计算自适应持续时间，并根据每个机器人的相对位置计算边界的收入。此外，每个机器人都配备了一个存储器，包括边界分配和舰队之间的共享，以防止重复分配相同的边界。通过模拟和实际部署，我们已经通过在25.0 m x 54.0 m（1350.0 m2）区域内完成勘探，证明了TM-RRT勘探策略的鲁棒性，而常规RRT勘探策略则有所不足。
2022-07-15 cs.MA cs.RO
Communication-Constrained Multi-Robot Exploration With Adaptive Communication Windows
Massachusetts Institute of Technology（麻省理工学院）；Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉珀实验室）
本文提出MACE分散式探索框架，通过自适应通信窗口决策，在间歇通信下平衡信息共享与探索成本，相比现有策略减少总探索时间高达23%。
2026-09-14 cs.RO
Multi-Robot System for Cooperative Exploration in Unknown Environments: A Survey
Fellow IEEE Tsinghua University（IEEE Fellow 清华大学）；Zhejiang University（浙江大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
该综述针对大规模极端环境探索需求，提出多机器人协同探索的模块化研究框架，系统梳理定位建图、协同运动、通信等核心模块技术，介绍其在DARPA地下挑战赛的应用，并分析挑战与未来方向。
2025-05-21 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
COMRES-VLM: Coordinated Multi-Robot Exploration and Search using Vision Language Models
COMRES-VLM通过视觉语言模型实现多机器人系统的协同探索与搜索，提升探索效率和目标物体搜索性能。
2026-03-01 cs.AI cs.MA cs.RO
Meeting-Merging-Mission: A Multi-robot Coordinate Framework for Large-Scale Communication-Limited Exploration
Dji Co（大疆创新科技有限公司）；Zhejiang University（浙江大学）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）
这封信提出了一个完整的框架会议合并任务的多机器人探索下的通信限制。考虑到现实世界中通信带宽和距离的有限性，提出了一种轻量级的环境表示方法和一种高效的协作探索策略。对于较低的带宽，每个机器人利用特定的多面体来维护自由空间和超前沿信息（SFI）作为探索决策的来源。为了减少重复的探索，我们开发了一个基于任务的协议，驱动机器人共享收集到的信息在稳定的会合。我们还设计了一个完整的路径规划方案集中和分散的情况下。为了验证我们的框架是实用和通用的，我们提出了一个广泛的基准测试，并部署到多UGV和多无人机平台我们的系统。
2022-07-20 cs.RO
Deep Reinforcement Learning for Decentralized Multi-Robot Exploration With Macro Actions
University of Toronto（多伦多大学）
本文提出首个宏观动作去中心化探索网络MADE-Net，利用多智能体深度强化学习解决通信中断下的多机器人探索问题，在计算时间、行驶距离、交互次数和探索率上均优于基准方法，并展现出良好的可扩展性。
2024-02-26 cs.RO
Communication-Constrained Multi-Robot Exploration with Intermittent Rendezvous
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；University of Pennsylvania（宾夕法尼亚大学）
本研究将多机器人探索建模为DEC-POMDP，设计遵循会合计划的联合策略，并将任务表示为JSSP实例以最小化指标，显著提升了通信受限环境下的探索效率。
2024-07-23 cs.MA cs.RO
Distributed multi-robot potential-field-based exploration with submap-based mapping and noise-augmented strategy
Singapore University of Technology and Design（新加坡科技设计大学）；Inria Grenoble, Grenoble Alpes University（法国国家信息与自动化研究所格勒诺布尔分部，格勒诺布尔阿尔卑斯大学）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
针对未知环境多机器人探索中速度与协作能力的挑战，提出结合分布式子图协同建图、改进波前距离与有色噪声增强的势场探索方法，经仿真与真实场景验证，在探索速度和协作能力上优于现有方法。
2024-07-10 cs.RO
Rapid and High-Fidelity Subsurface Exploration with Multiple Aerial Robots
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对星下地下探索的通信等约束及现有研究对通信考量不足的问题，提出通信高效的分布式感知建图方法，可在低带宽下实现高保真建图，显著提升多机器人探索速率，经仿真和洞穴硬件实验验证有效。
2020-12-19 cs.RO
Decentralized Multi-Robot Exploration with Probabilistic Peer Intent and Multi-hop Plan Propagation
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本研究提出概率性同伴意图（PPI）与多跳计划传播，改进去中心化多机器人探索中的协调，实验验证了其在模拟和真实环境中的有效性。
2026-09-22 cs.MA cs.RO
Hilbert-Augmented Reinforcement Learning for Scalable Multi-Robot Coverage and Exploration
本文提出一种基于Hilbert空间的强化学习方法，用于提高多机器人覆盖与探索的效率和可扩展性。
2026-02-23 cs.AI cs.MA cs.RO
MEF-Explore: Communication-Constrained Multi-Robot Entropy-Field-Based Exploration
Engineering Product Development, Singapore University of Technology and Design（新加坡科技设计大学工程产品开发部）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院）
针对多机器人探索中通信受限问题，提出MEF-Explore，通过双层通信感知信息共享、基于熵场的探索策略和时长自适应目标分配模块，显著提升了探索效率和成功率。
2025-05-29 cs.RO
Efficient Multi-robot Exploration via Multi-head Attention-based Cooperation Strategy
Northeastern University（东北大学）；Northeastern University at Qinhuangdao（东北大学秦皇岛分校）
协调多机器人探索任务的目标是使用一组自主机器人尽可能快地探索未知环境。与人类设计的方法相比，这些方法始于启发式和基于规则的方法，基于学习的方法使单个机器人能够通过深度强化学习技术学习复杂且难以设计的合作策略。然而，在分散式多机器人探索任务中，基于学习的算法由于面积计算和奖励函数设计的困难，还远不能普遍适用于连续空间，而且现有的基于学习的方法在试图平衡历史轨迹问题和目标区域冲突问题时遇到了问题。此外，由于状态空间的指数爆炸问题，这些方法对大量代理的可扩展性很差。因此，本文提出了一种新的方法-多头注意力为基础的多机器人探索在连续空间（MAMECS）-旨在减少状态空间和自动学习所需的分散的多机器人在连续空间探索任务的合作策略。应用计算几何知识对连续空间中的环境进行描述，并设计改进的奖励函数，以保证较优的探索率。此外，采用的多头注意力机制有助于解决分散式多机器人探索任务中的历史轨迹问题，以及减少行动空间的二次增长。
2019-11-05 cs.AI cs.RO
SPACE: 3D Spatial Co-operation and Exploration Framework for Robust Mapping and Coverage with Multi-Robot Systems
School of Computing, University of Georgia（佐治亚大学计算学院）
针对多机器人室内视觉建图中重影轨迹和前沿选择忽视重建的问题，提出SPACE半分布式框架，利用几何技术和自适应前沿分配实现覆盖与建图平衡，在仿真中优于现有方法。
2024-11-04 cs.CV cs.MA cs.RO
Autonomous Multi-Robot Exploration Strategies for 3D Environments with Fire Detection Capabilitie
College of Engineering University of Washington, Seattle, USA
本文综述了面向建筑探索与火灾探测的自主多机器人系统在2D/3D环境中的探索策略，提出基于OctoMap和势场避障的模块化定位、建图与轨迹规划方法，并展望了去中心化建图、多无人机协同和时变环境适应等未来方向。
2024-11-24 cs.RO
Mine Tunnel Exploration using Multiple Quadrupedal Robots
University of Pennsylvania（宾夕法尼亚大学）；GRASP Laboratory（GRASP实验室）
地下环境的机器人勘探是一个特别具有挑战性的问题，由于通信，耐力和遍历性的限制，需要高度的自主性和敏捷性。这些挑战由于需要最大限度地减少实际应用中的人为干预而进一步加剧。虽然足式机器人有能力穿越极具挑战性的地形，但它们也给规划、估计和控制带来了新的挑战。在这项工作中，我们描述了一个完全自主的多机器人矿山勘探和测绘系统，使用腿四足动物，以及一个分布式数据库网状网络系统报告数据。此外，我们还展示了DARPA地下挑战（SubT）隧道电路的结果，展示了数百米穿越后的文物定位。这些实验描述了足式机器人对未知的全球导航卫星系统（GNSS）拒绝环境进行的完全自主探索。
2020-02-03 cs.RO
Towards Multi-robot Exploration: A Decentralized Strategy for UAV Forest Exploration
ETH Zürich（苏黎世联邦理工学院）
有效的勘探战略在诸如搜索和救援任务和灾害调查等任务中至关重要。无人机（UAV）在这些应用中变得特别受欢迎，有望以高速覆盖大面积。此外，随着机载无人机感知的日益成熟，研究重点已经转向单机器人和多机器人任务的高级推理。然而，自主导航和探索以前未知的大空间仍然是一个开放的挑战，特别是当环境混乱，并表现出大而频繁的闭塞，由于高障碍密度，如森林的情况。此外，在这样的场景中，远距离无线通信的问题可能成为一个限制因素，特别是在无人机群的自动导航时。本着这种精神，这项工作提出了一种探索策略，使无人机，无论是单独的还是小规模的，都能以分散的方式快速探索复杂的场景。通过为每个无人机提供决策能力以在不同的执行模式之间切换，所提出的策略在对完全未知的区域进行谨慎探索和对未知空间的较小区域进行更积极的探索之间取得了很大的平衡。这导致对密度可变的森林区域进行全覆盖，始终比最先进的速度更快。这项工作展示了使用单个无人机以及最多三个无人机的集群的成功部署，阐述了多根探索的基本原则杂乱的场景，在单架无人机情况下，速度可提高65%，在多架无人机情况下，在相同的任务时间内，探索区域可增加40%。
2023-01-20 cs.MA cs.RO
Multi-Robot Multi-Room Exploration with Geometric Cue Extraction and Circular Decomposition
Carnegie Mellon University（卡内基梅隆大学）；University of Technology Sydney（悉尼科技大学）
针对多房间室内环境下的多机器人探索协调问题，提出结合几何线索提取与圆形分解的自主探索流程，实现分布式协同的系统性房间探索，在仿真与实机实验中均优于基线方法。
2023-12-04 cs.RO
An Upper Confidence Bound for Simultaneous Exploration and Exploitation in Heterogeneous Multi-Robot Systems
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group（国防科技集团）；Mission Systems Pty. Ltd.（任务系统私人有限公司）
异构多机器人系统对于未知环境中的操作是有利的，因为功能专用的机器人可以收集环境信息，而其他机器人执行任务。我们将这种分解定义为侦察任务机器人架构，并展示了它如何避免明确平衡探索和开发的需要，允许系统同时进行。挑战在于以一种能够提高限时任务整体性能的方式来指导探索。我们推导出一个新的置信度上界，同时探索和开发的基础上的互信息和侦察任务协调使用分散的蒙特卡罗树搜索提出了一个通用的解决方案。我们评估了我们的算法在多无人机监视场景中的性能，其中侦察机器人配备了低分辨率的远程传感器，任务机器人使用短程传感器捕获详细信息。结果解决了一类新的协调问题的异构团队，有许多实际应用。
2021-05-13 cs.RO
Frontier Shepherding: A Bio-inspired Multi-robot Framework for Large-Scale Exploration
Institute for Systems and Robotics（系统与机器人研究所）
本文提出一种生物启发的多机器人框架，用于高效探索大规模环境，通过模拟牧羊犬行为提升探索效率，实验表明其在复杂环境中表现优异。
2025-09-02 cs.RO
Multi-Robot Coverage and Exploration using Spatial Graph Neural Networks
University of Pennsylvania（宾夕法尼亚大学）
多机器人覆盖问题是执行检查或搜索和救援等任务的系统的重要组成部分。我们离散化的覆盖问题，诱导的位置和代表机器人的节点在图中的空间图。然后，我们训练一个图神经网络控制器，它利用任务的空间等方差来模仿专家开环路由解决方案。这种方法可以很好地推广到更大的地图和更大的团队，这对专家来说是棘手的。特别是，该模型有效地推广到十个四旋翼和几十个建筑物的模拟。我们还证明了GNN控制器可以在探索任务中超越基于规划的方法。
2021-07-30 cs.RO
Multi-Robot Distributed Optimization for Exploration and Mapping of Unknown Environments using Bioinspired Tactile-Sensor
Department of Mechanical Engineering University of California at Berkeley Berkeley, CA, US（机械工程系 加州大学伯克利分校 伯克利加州）
提出一种基于分布式优化和仿生触觉传感器的多机器人系统，通过记录碰撞点实现未知环境的高效探索与二维地图构建，实验验证了高覆盖率和低碰撞。
2025-10-07 cs.RO
Multi-Robot Autonomous Exploration and Mapping Under Localization Uncertainty with Expectation-Maximization
Stevens Institute of Technology（史蒂文斯理工学院）
本研究面向去中心化多机器人团队，提出一种考虑地图与定位不确定性的自主探索算法，通过虚拟地标量化噪声影响、采用期望最大化启发的迭代算法评估行动效果，实验证明其可在地图不确定性抑制与任务分配效率间实现平衡。
2024-03-06 cs.RO
Decentralized Scalable Exploration via Emergent Adaptive Lévy Walks on Minimal-Sensing Platforms
National University of Singapore（新加坡国立大学）
针对纳米无人机自主探索难题，提出轻量级传感器驱动的莱维飞行控制器，结合离散步长采样与传感器反应策略，各机器人独立采样指数并选航向，实现可扩展多无人机探索，仿真显示覆盖率提升且碰撞减少。
2026-09-10 cs.MA cs.RO
Explore-Bench: Data Sets, Metrics and Evaluations for Frontier-based and Deep-reinforcement-learning-based Autonomous Exploration
Tsinghua University（清华大学）
利用单个或多个机器人自主探索和绘制未知地形是移动机器人的一项重要任务，因此得到了广泛的研究。然而，由于缺乏统一的数据集，指标和平台来评估探索方法，我们开发了一个自主机器人探索基准，名为Explore-Bench。该基准涉及各种探测场景，并提出了两种类型的定量指标来评估探测效率和多机器人合作。Explore-Bench非常有用，因为最近，深度强化学习（DRL）已被广泛用于机器人探索任务，并取得了可喜的成果。然而，训练基于DRL的方法需要大量的数据集，此外，目前的基准依赖于现实的模拟器，模拟速度慢，这是不适合训练探索策略。因此，为了支持高效的日间行车训练和综合评估，建议的Explore-Bench设计了一个具有统一数据流和$12 \times$加速的3级平台，其中包括用于快速评估和高效训练的基于网格的模拟器、逼真的Gazebo模拟器和用于在物理环境中进行高精度测试的远程访问机器人测试台。建议的基准的实用性突出了一个基于DRL和三个基于前沿的勘探方法的应用。此外，我们分析了性能差异，并提供了一些见解的选择和设计的勘探方法。我们的基准可以在https://github.com/efc-robot/Explore-Bench上找到。
2022-02-24 cs.RO
Unknown area exploration for robots with energy constraints using a modified Butterfly Optimization Algorithm
Signal-Image-Parole (SIMPA) Laboratory（信号-图像-语音（SIMPA）实验室）
本研究提出基于交叉算子的改进蝴蝶优化算法xBOA，构建了适用于单/多机器人场景的能量约束未知区域探索框架，实验验证xBOA在鲁棒性、收敛性和探索率上更具优势。
2022-10-26 cs.AI cs.MA cs.RO
Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration
University of Georgia（佐治亚大学）
本文提出一种通信高效的去中心化协作强化学习算法，通过分层局部信息交换协调群体机器人进行迷宫探索，在通信退化环境下显著提升覆盖精度与效率并降低成本。
2023-05-26 cs.AI cs.MA cs.NI
Connectivity-Aware Graph Extension for Decentralized Multi-Robot Exploration
Pôle recherche, AMIAD（AMIAD研究中心）；UI2S, ENSTA, IP Paris（巴黎理工学院ENSTA分校UI2S实验室）；LARIAD（LARIAD实验室）
针对多无人机探索的间歇性通信问题，提出基于前沿连通性的去中心化图扩展策略，应用于两种区域划分方法，低通信速率下探索效率优于现有方法。
2026-09-02 cs.RO
Autonomous Teamed Exploration of Subterranean Environments using Legged and Aerial Robots
University of Nevada, Reno（内华达大学里诺分校）；NTNU（挪威科技大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出了一种新的策略，自主团队勘探地下环境使用腿和空中机器人。针对地下环境（如洞穴网络和地下矿山）通常涉及复杂，大规模和多分支拓扑结构的事实，而其中的无线通信可能特别具有挑战性，这项工作是围绕机载探索路径规划器的协同作用进行的，该规划器允许弹性长期自治，以及多机器人协调框架。机载路径规划器在腿式和飞行机器人之间是统一的，可以在陡坡和不同几何形状的环境中导航。当通信链路可用时，团队中的每个机器人共享到集中位置的子地图，其中多机器人协调框架确定探索空间的全球边界，以通知每个系统它应该重新定位以最好地继续其任务。该策略通过在瑞士地下矿井内的现场部署进行验证，使用腿和飞行机器人集体探索45分钟，以及更长的模拟研究与三个系统。
2022-05-16 cs.RO
WiSER-X: Wireless Signals-based Efficient Decentralized Multi-Robot Exploration without Explicit Information Exchange
John A. Paulson School of Engineering and Applied Sciences, Harvard University（约翰·A·保罗森工程与应用科学学校，哈佛大学）
WiSER-X通过本地无线信号估计实现高效去中心化多机器人探索，减少冗余覆盖重叠，无需显式信息共享。
2025-12-04 cs.RO
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
Privileged Reinforcement and Communication Learning for Distributed, Bandwidth-limited Multi-robot Exploration
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；National University of Singapore（新加坡国立大学）
提出基于通信和特权强化学习的多机器人探索框架，通过固定大小消息嵌入显著信息并利用教师网络引导，在仅牺牲2.4%行进距离下将通信量降低两个数量级。
2024-07-29 cs.RO
HEHA: Bounded Suboptimal Planning for Constrained Routing and Its Use in Heterogeneous Multi-Robot Exploration of Unknown Environments
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）
针对异构多机器人未知环境探索的大规模约束路径规划难题，提出HEHA分层方法，通过新型PEAF路由算法实现有界次优全局规划并结合异构感知局部规划，最多可减少30%探索时间。
2026-10-22 cs.RO
Volumetric Objectives for Multi-Robot Exploration of Three-Dimensional Environments
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）；Robotics Institute, Carnegie Mellon University (CMU)（卡内基梅隆大学机器人研究所）
用于探索和感知任务的体积目标寻求捕获在未知环境中操作的机器人的一个或多个相机视图处的假设观察的价值感（或奖励）。例如，体积目标可以与待观察的未知空间的预期体积成比例地奖励机器人。我们确定现有的信息理论和覆盖目标之间的连接，在预期的覆盖范围，特别是互信息没有噪声是一个特殊的情况下，预期的覆盖范围。同样，我们提供了第一个比较，我们知道，基于信息的近似和覆盖目标的探索，我们发现，也许令人惊讶的是，覆盖目标可以显着优于基于信息的目标在实践中。此外，信息和覆盖目标的分析表明，随机顺序分区-一种有效的分布式传感器规划的方法-适用于这两类目标，我们提供了仿真结果在各种环境中多达32个机器人。
2021-03-26 cs.RO
Cooperative Risk-Aware Exploration in Heterogeneous Multi-Robot Systems Using Algorithmic Altruism
School of Electrical and Computer Engineering at Oklahoma State University（俄克拉荷马州立大学电气与计算机工程学院）；Instituto Tecnológico de Aeronáutica（航空技术研究所）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
该研究针对异构多机器人系统，提出基于算法利他主义的博弈论框架，通过社会纳什均衡调整效用实现风险合理分配，减少冗余探索并提升团队性能，经仿真与硬件实验验证有效。
2026-08-31 cs.RO
4CNet: A Diffusion Approach to Map Prediction for Decentralized Multi-Robot Exploration
University of Toronto（多伦多大学）；Autonomous Systems and Biomechatronics Laboratory (ASBLab)（自主系统与生物机电实验室（ASBLab））
本文提出4CNet深度学习架构，结合条件一致性模型、对比式轨迹预训练和置信度网络，用于资源受限去中心化多机器人探索中的地图预测，并在不规则障碍物环境中验证了其显著优于现有方法的预测精度和覆盖能力。
2025-04-08 cs.RO
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
Evolutionary Swarm Robotics: Dynamic Subgoal-Based Path Formation and Task Allocation for Exploration and Navigation in Unknown Environments
University of Jaffna（贾夫纳大学）
本文提出基于子目标的路径形成与任务分配策略，解决未知环境中群体机器人的探索导航及交通拥堵问题，仿真验证其优于A*算法，具有可扩展性和鲁棒性。
2023-12-27 cs.MA cs.NE cs.RO
Intrinsic-Motivation Multi-Robot Social Formation Navigation with Coordinated Exploration
School of Computer Science and Technology（计算机科学与技术学院）；Wuhan University of Science and Technology（武汉科技大学）；Hubei Province Key Laboratory of Intelligent Information Processing（湖北省智能信息处理重点实验室）
本文提出了一种基于内在动机的多机器人协调探索RL算法，通过双采样模式和双时间尺度更新规则提升导航策略与奖励表示，实现更高效的社交编队导航性能。
2025-12-16 cs.AI cs.RO
Information correlated Levy walk exploration and distributed mapping using a swarm of robots
University of Southern California（南加州大学）；Arizona State University（亚利桑那州立大学）
在这项工作中，我们提出了一种新的分布式方法，用于构建一个未知环境的占用网格地图，使用一群具有全局定位能力和有限的机器人间通信的机器人。机器人探索域通过执行Levy步行，其中它们的标题是通过最大化机器人的估计其环境的占用网格地图的形式和距离测量，它很可能获得当它在该方向上移动时，最大化之间的互信息来定义的。每个机器人都配备了激光测距传感器，它通过反复将自己的距离测量与相邻机器人广播的地图信息相结合来构建其占用网格地图。使用结果的平均共识随时间变化的图形拓扑结构，我们证明了所有的机器人的地图将最终收敛到实际的地图的环境。此外，我们证明了一种基于拓扑数据分析的技术，在我们以前的工作中开发的拓扑地图，可以很容易地扩展为自适应阈值的占用网格地图。我们通过一系列的二维仿真和多机器人实验验证了我们的分布式探索和映射策略的有效性。
2020-06-18 cs.RO
BodyGuards: Escorting by Multiple Robots in Unknown Environment under Limited Communication
本文提出BodyGuards框架，通过整合协同探索、机器人与操作员通信和护送任务，减少操作员在对抗性环境中的导航时间与风险。
2026-03-16 cs.RO
FRAME: Fast and Robust Autonomous 3D point cloud Map-merging for Egocentric multi-robot exploration
Luleå University of Technology（吕勒奥理工大学）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）
本文提出了一种独立于初始猜测的3D点云地图合并框架FRAME，利用位置识别描述符进行快速区域重叠估计，并结合Fast-GICP算法实现精细对齐，有效解决了异构多机器人探索中的地图集成问题。
2023-01-24 cs.CV cs.RO
Reinforcement Learning Driven Multi-Robot Exploration via Explicit Communication and Density-Based Frontier Search
Luleå University of Technology（吕勒奥理工大学）
本文提出一种基于强化学习的去中心化多机器人协同探索框架，结合A*轨迹前沿特征和受约束的显式通信机制，在仿真与真实实验中验证了其鲁棒性和可扩展性。
2024-12-28 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
Multi-Robot Strategies for Communication-Constrained Exploration and Electrostatic Anomaly Characterization
School of Engineering Mathematics and Technology, Faculty of Engineering, University of Bristol（布里斯托大学工程学院工程数学与技术学院）
本文比较了火星探索中两种多机器人通信策略，并评估了静电异常预测算法，发现去中心化会合系统在探索速度和降低数据丢失风险上优于固定基站，且数据共享能提升预测性能。
2024-05-01 cs.RO
FlyKites: Human-centric Interactive Exploration and Assistance under Limited Communication
College of Engineering, Peking University（北京大学工程学院）
本文提出FlyKites框架，通过分布式探索、中继拓扑与角色同步优化以及人在环路在线执行，解决有限通信下多机器人交互式探索与辅助问题。
2025-09-19 cs.RO
Decentralized Simultaneous Multi-target Exploration using a Connected Network of Multiple Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；CNRS（法国国家科学研究中心）；Irisa（法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心）；Inria Rennes Bretagne Atlantique（法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心）；Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）；LAAS（LAAS分析及系统架构实验室）；Univ de Toulouse（图卢兹大学）
提出了一种新的多机器人系统的分散控制策略，使并行多目标探索，同时确保在混乱的三维环境中的时变连接拓扑结构。灵活的连续连接是通过建立在最近的连接维护方法，其中有限的范围，视线的可见性，并同时考虑到避免碰撞。通过动态分配机器人在探测任务中的不同运动行为，保证了分散式多目标探测算法的完备性。一个主要群组基于当前领导者的行进效率以及行进力与连接力之间的方向对准而经受主行进力的适当缩减。这有助于领导者始终达到当前目标，并在更大的时间范围内，整个团队在有限的时间内实现整体任务。通过对多架四旋翼无人机的蒙特卡罗仿真，验证了该方法的可扩展性和有效性，并通过实验验证了其实用性。
2017-03-16 cs.RO
PropEM-L: Radio Propagation Environment Modeling and Learning for Communication-Aware Multi-Robot Exploration
University of Southern California（南加州大学）；NASA Jet Propulsion Laboratory, California Institute of Technology（加州理工学院美国国家航空航天局喷气推进实验室）
多机器人探索复杂的未知环境得益于机器人间通信提供的协作和合作。准确的无线电信号强度预测使得能够进行通信感知探索。忽略环境对信号传播的影响或依赖于先验地图的模型在未知的、通信受限的（例如地下）环境中受到影响。在这项工作中，我们提出了传播环境建模和学习（PropEM-L），这是一个框架，它利用实时传感器导出的环境的3D几何表示来提取无线电和衰减墙/障碍物之间的视线信息，以准确地预测接收信号强度（RSS）。我们的数据驱动方法结合了信号传播现象（例如阴影、反射、衍射）和机器学习的知名模型的优势，并可以在线适应新环境。我们展示了PropEM-L在一个通信受限的环境中的六个机器人团队中的性能，该环境具有类似地铁，矿井和洞穴的特征，为2021年DARPA地下挑战赛建造。我们的研究结果表明，PropEM-L可以提高信号强度预测精度高达44%，超过对数距离路径损耗模型。
2022-05-03 cs.RO
A Novel Methodology for Autonomous Planetary Exploration Using Multi-Robot Teams
James Watt School of Engineering, University of Glasgow（格拉斯哥大学詹姆斯·瓦特工程学院）
本文提出一种融合多源数据的三阶段多机器人行星探测规划方法，利用4D RRT*和优先级规划生成安全高效路径，最大化科学兴趣点识别概率。
2024-05-21 cs.RO
