Fault and Byzantine Tolerant Self-stabilizing Mobile Robots Gathering - Feasibility Study -
JAIST（日本北陆先端科学技术大学院大学）
集合是协作移动机器人中的一个基本协调问题。简而言之，给定一组具有任意初始位置并且在全局坐标系上没有初始协议的机器人，收集要求所有机器人按照其算法到达完全相同但不是预定的位置。在机器人不经意的网络中，收集尤其具有挑战性（即，无国籍）和直接通信被对各自位置的观察所取代。有趣的是，如果没有对机器人的初始分布做出特定的假设，那么任何解决不经意机器人聚集问题的算法都具有内在的自稳定性。在本文中，我们显著扩展了在不同假设下的确定性收集可行性的研究。这篇手稿大大扩展了在DISC 2006会议上作为扩展摘要提出的初步结果[7]。当前版本自2012年2月（以前的形式）和2014年以来以当前形式在分布式计算杂志上进行评审。最重要的结果也已在MAC 2010年8月15日至17日在渥太华举办的同步和故障（崩溃和拜占庭）有关。与以前的工作不同，我们考虑了一个更大的调度策略，如有界调度器。此外，我们将我们的研究扩展到无故障和易故障环境中概率自稳定采集的可行性。
2016-02-17 cs.DC cs.RO
Gathering of asynchronous robots on circle with limited visibility using finite communication
本研究针对圆周上有限可见性的自主同质机器人聚集难题，提出一种适用于π-可见性模型、具备有限通信能力的非刚性运动机器人的聚集算法，支持完全异步调度器运行。
2025-09-04 cs.DC
Gathering in the Plane of Location-Aware Robots in the Presence of Spies
一组移动机器人（表示为点）分布在笛卡尔平面。该集合包含一个未知的拜占庭机器人子集，这些机器人与可靠的机器人无法区分。可靠的机器人需要收集，即，到达一个配置，在这个配置中，所有这些都同时占据平面上的同一点。这些机器人配备了GPS设备，在收集过程开始时，它们将各自位置的笛卡尔坐标传送给中央机构。基于这些信息，在不知道哪些机器人有故障的情况下，中央机构为每个机器人设计一条轨迹。中央权威机构的目标是提供轨迹，导致健康机器人的最短可能的聚集时间。收集策略的效率通过其竞争比来衡量，即，由给定轨迹实现的收集所需的时间与离线情况下收集所需的最佳时间之间的最大比率，即，当故障机器人被中央机构预先知道时。拜占庭机器人的作用是，由对手控制，采取行动，使收集被推迟，从而使竞争比例最大化。我们的论文的目的是提出有效的算法时，中央权威机构知道拜占庭机器人的数量上界。我们给出了最优算法的机器人集合已知包含最多一个故障机器人。当拜占庭机器人的比例是已知的是小于一半或三分之一，我们提供的算法与小恒定的竞争比。我们还提出了有界竞争比的情况下，故障机器人的比例是任意的算法。
2017-12-07 cs.DC
Asynchronous Gathering of Robots with Finite Memory on a Circle under Limited Visibility
考虑一组$n$移动实体，称为机器人，位于连续圆上并在其上操作，即，所有的机器人最初都在圆上的不同位置。\textit{gathering}问题要求设计一个分布式算法，允许机器人在圆上的一个点组装。机器人是匿名的，相同的，同质的。机器人在圆形路径内以确定性的“看-计算-移动”循环运行。机器人同意顺时针方向。机器人的运动是刚性的，并且它们具有有限的可见性$π$，即，每个机器人只能看到与机器人的角距离严格小于$π$的圆的点。迪卢娜\textit{et al}。[DISC'2020]提出了一种在半同步（\textsc{SSync}）调度器中循环的不经意和沉默机器人的确定性收集算法。布钦\textit{et al}。[IPDPS（2021年12月）]表明，在完全可见性下，具有\textsc{SSync}调度程序的$\mathcal{OBLOT}$机器人模型与具有异步（\textsc{ASync}）调度程序的$\mathcal{FSTA}$机器人（机器人是静默的，但具有有限的持久内存）模型不可比较。在有限的可见度下，这种比较仍然没有答案。因此，本文的工作扩展了Di Luna的工作\textit{et al}。[DISC'2020]在用于$\mathcal{FSTA}$机器人模型的\textsc{ASync}调度程序下。
2023-02-15 cs.DC
Gathering with extremely restricted visibility
我们考虑的经典问题，使移动过程聚集或收敛在同一个位置（如在自然界中的动物群）。现有的工作假设每个进程可以看到所有其他进程，或在一定半径内的所有进程。在本文中，我们引入了一个新的模型，具有极其有限的可见性：每个进程只能看到一个其他进程（其最近的邻居）。我们的目标是看看是否（以及在多大程度上）聚集和收敛问题可以在这种情况下得到解决。我们首先表明，令人惊讶的是，这个问题可以解决少数进程（最多5），但不能超越。这是由于不确定性的情况下，有几个最接近的邻居为同一进程。通过去除这种不确定性与一个额外的假设（选择最近的邻居根据顺序的位置的进程），然后我们表明，这个问题可以解决任何数量的进程。我们还表明，最多一个崩溃故障可以容忍的收敛问题。
2019-06-14 cs.DC
A Unifying Approach to Efficient (Near)-Gathering of Disoriented Robots with Limited Visibility
我们考虑一群$n$机器人在\mathbb{R}^d。机器人是健忘的，迷失方向的（没有共同的坐标系统/指南针），并具有有限的可见性（观察其他机器人到一个恒定的距离）。基本的编队任务集合要求所有机器人到达相同的位置，而不是预定义的位置。在相关的近距离聚集任务中，它们必须到达不同的位置，以便每个机器人都能看到整个群体。在所考虑的设置，收集可以解决在$\mathcal{O}(n + Δ^2)$同步轮在二维和三维，其中$Δ$表示两个机器人的初始最大距离。在这项工作中，我们正式有效的收集协议的一个关键属性，并使用它来定义$λ$合同协议。任何这样的协议在$\mathcal{O}(Δ^2)$同步轮中在$d$维空间中聚集$n$机器人。此外，我们证明了一个相应的下限说明，任何协议中，机器人移动到目标点内的局部凸包的邻域- $λ$合同协议有此属性-需要$Ω(Δ^2)$轮收集所有机器人。其中，我们证明了GTC-协议的$d$维推广是$λ$ -收缩的。值得注意的是，我们的改进和广义运行时界是独立的$n$和$d$。$d$的独立性回答了一个开放的研究问题。我们还介绍了一种使任何$λ$合同协议无冲突的方法，以解决近聚集问题。由此产生的协议保持运行时的$Θ(Δ^2)$和工作，即使在半同步模型。
2022-09-09 cs.DC
Time Optimal Gathering of Myopic Robots on an Infinite Triangular Grid
这项工作涉及的问题，收集$n$不经意的移动实体，称为机器人，在一个点（事先不知道）放置在一个无限的三角形网格。机器人被认为是近视的，即，机器人的可见度有限。早期的收集工作主要考虑机器人在平面上或圆形或矩形网格上的完全可见性和有限可见性。在三角形网格中，据我们所知有两件作品。第一个是Cicerone等人关于任意图案形成的，其中考虑了完全可见性。另一个由Shibata等人提出，考虑了七个具有2跳可见性的机器人，这些机器人形成一个六边形，其中一个机器人位于六边形中心，处于完全同步调度器下的无碰撞环境中。在这项工作中，我们首先表明，聚集在一个三角形网格与1跳视觉的机器人是不可能的，即使在一个完全同步的调度，如果机器人不同意任何轴。因此，在这项工作中考虑了一个轴协议（即，机器人就方向及其取向达成一致）。我们还表明，时间的下限是$Ω(n)$时代时，$n$数量的机器人聚集在一个无限的三角形网格。然后，提出了一种算法，其中一群$n$数量的机器人与1跳的可见性可以收集在$O(n)$时代下的半同步调度。因此，这里提出的算法是时间最优的。
2022-09-28 cs.DC
Gathering on Rings for Myopic Asynchronous Robots with Lights
我们研究收集算法的异步自主移动机器人移动均匀环形网络。与大多数使用Look-Compute-Move（LCM）模型的工作不同，我们假设机器人具有有限的可见度和灯光。也就是说，机器人只能在一定的固定距离内观察节点，并从一组恒定数量的颜色中发出一种颜色。我们认为收集算法取决于两个参数相关的初始配置：$M_{init}$，这表示两个边界节点之间的节点数，和$O_{init}$，这表示两个边界节点之间的主机机器人的节点数。在这两种情况下，边界节点是托管一个或多个机器人的节点，这些机器人至少在一侧看不到其他机器人。我们的主要贡献是证明，如果$M_{init}$或$O_{init}$是奇数，收集总是可行的三个或四个颜色。所提出的算法不需要额外的假设，如知识的机器人数量，多重性检测能力，或无塔的初始配置的假设。这些结果证明了灯光的力量，以实现有限的能见度机器人的聚集。
2019-11-12 cs.DC
Gathering a Euclidean Closed Chain of Robots in Linear Time
这项工作的重点是以下问题有关的$n$自治，移动机器人在欧几里德平面的聚集问题：是否有可能解决聚集的机器人，不同意在任何轴的坐标系（迷失方向的机器人），看到其他机器人只有一个恒定的距离（有限的能见度）在$o(n^2)$完全同步轮？解决具有有限可见性的迷失方向机器人的聚集的最知名算法，假设遗忘机器人需要$Θ(n^2)$回合[SPAA'11]。该算法的下限甚至在简化的闭链模型中也成立，其中每个机器人正好有两个邻居，并且链连接形成一个循环。唯一现有的算法实现了一个线性数量的回合迷失方向的机器人假设机器人位于一个二维的网格[IPDPS'16]和[SPAA'16]。这两种算法都使用了局部可见光（LUMINOUS模型）。在这项工作中，我们显示的闭链模型，$n$迷失方向的机器人有限的可见度在欧几里德平面可以聚集在$Θ\left(n\right)$轮假设LUMINOUS模型。这些灯用于启动和执行所谓的沿链运行。对于这样的运行的开始，需要确定本地唯一的机器人。与网格[IPDPS'16]相反，这在欧几里德平面中的每个配置中都是不可能的。基于Grünbaum的等角多边形理论，我们确定了一类等角配置，其中没有这样的本地唯一的机器人可以识别。我们的解决方案结合了两种算法：第一种算法收集等角配置;它在没有任何灯光的情况下工作。第二个适用于非等角配置;它使用恒定数量的灯光识别本地唯一的机器人开始运行。交错使用这些…
2021-08-21 cs.DC
Getting Close Without Touching: Near-Gathering for Autonomous Mobile Robots
Università di Pisa（比萨大学）；University of Ottawa（渥太华大学）
在本文中，我们研究了一组有限的无量纲的，确定性的，异步的，匿名的，不经意的和自主的移动机器人有限的可见性移动在欧几里德平面上看，计算，移动（LCM）周期的附近聚集问题。在这个问题中，机器人必须彼此足够接近，以便每个机器人都可以看到所有其他机器人，而不接触（即，与任何其他机器人碰撞。解决Near-Gathering问题的重要性在于它可以克服机器人能见度有限的限制。因此，它允许利用在无限可见性设置中对该主题进行的所有研究（实际上是大多数）。事实上，在机器人彼此足够接近之后，它们能够看到系统中的所有机器人，这种情况类似于机器人具有无限可见性的情况。我们提出了第一个（确定性）算法的近距离聚集问题，据我们所知，它允许一组自主移动机器人几乎收集在有限的时间内没有碰撞。我们的算法假设一些合理的条件下的输入配置（附近的聚集问题很容易被视为是无法解决的一般）。此外，假设所有机器人都有指南针（因此它们在“北”方向上一致），但它们不一定具有相同的手性（因此它们可能在顺时针方向上不一致）。我们还展示了机器人如何检测终止，即，检测近集问题何时得到解决。当机器人在几乎聚集后必须执行一般任务时，这是至关重要的。我们表明，即使机器人的总数对机器人本身是未知的（即，它不是算法的参数），并且机器人没有办法显式地通信。
2015-05-27 cs.CG cs.DC cs.RO
Gathering on a Circle with Limited Visibility by Anonymous Oblivious Robots
Sapienza University of Rome（罗马大学）；JAIST（日本先进科学技术研究所）；University of Aizu（会津大学）；Kyushu University（九州大学）
本文研究了在半同步调度和有限可见性条件下，匿名无记忆机器人在圆周上的聚集问题，证明了当可见角距离为π时存在解决算法，而当其不大于π/2时则无解。
2024-11-17 cs.CG cs.DC cs.RO
ByRDiE: Byzantine-resilient distributed coordinate descent for decentralized learning
Rutgers University–New Brunswick（罗格斯大学新布朗斯维克分校）
分布式机器学习算法使得能够从分布在网络上的数据集学习模型，而无需在集中位置收集数据。虽然在无故障网络的假设下已经开发出了高效的分布式算法，但在现实世界中经常会发生使这些算法无法正常工作的故障。本文重点研究分布式算法中最难防范的拜占庭故障问题。虽然拜占庭容错有着丰富的历史，但现有的工作并没有转化为在完全分布式（也称为分散式）设置中进行高维学习的有效和实用的算法。在本文中，一个算法称为拜占庭弹性分布式坐标下降（ByRDiE）的开发和分析，使分布式学习中存在拜占庭故障。理论分析（凸设置）和数值实验（凸和非凸设置）突出了其有用的高维分布式学习拜占庭故障的存在。
2019-07-05 cs.DC cs.LG math.OC
Stand-Up Indulgent Gathering on Lines for Myopic Luminous Robots
研究线形网络上近视发光机器人的崩溃容错集合问题（SUIG），证明当初始配置参数$M_{init}$或$O_{init}$为奇数时，该问题可在全同步模型中解决。
2024-01-09 cs.DC
Asynchronous Gathering in a Torus
我们认为收集问题的异步和不经意的机器人，不能明确地与对方沟通，但被赋予的可见性传感器，让他们看到其他机器人的位置。由于对称网络的数量，大多数离散论域上的聚集问题都是在环形网络上进行的。我们在本文中扩展研究的收集问题的环形网络假设机器人赋予局部弱多重检测。也就是说，机器人不能区分仅由一个机器人占用的节点与由多个机器人占用的节点，除非它是它们的当前节点。因此，不能使用基于创建单个多重性节点作为聚集的界标的解决方案。本文提出了一种确定性算法，解决了收集问题，从任何刚性配置的非对称无定向环面形网络。
2021-01-14 cs.DC
Wait-Free Gathering of Mobile Robots
University Pierre et Marie Curie - Paris 6（巴黎第六大学（皮埃尔和玛丽·居里大学））；LIP6-CNRS 7606（法国国家科学研究中心LIP6实验室（7606））；BGU（本-古里安大学）；Technion-Israel Institute of Technology（以色列理工学院）
将多个移动机器人聚集到一个位置的问题，是自治机器人分布式协调的基本问题之一。这个问题已经被研究和解决，即使是匿名的，迷失方向的，无记忆的，并在半同步（ATOM）模型中运行的机器人。然而，所有已知的解决方案都要求机器人是无故障的，除了[Agmon和Peleg 2006]的结果，他们解决了存在一个崩溃故障的收集问题。这就留下了一个问题，即在存在多个碰撞故障的情况下，是否可以实现正确的机器人集合。我们解决了本文中的问题，并展示了如何解决聚集，当任何数量的机器人可能会在算法过程中的任何时候崩溃，假设强多重检测和手性。相反，已知对于更强的拜占庭故障，如果一个机器人有故障，则即使在3-机器人系统中也不可能聚集。我们的算法解决了正确的机器人在半同步模型，对手可能会停止任何机器人到达其所需的目的地。此外，该算法是自稳定的，因为它实现了从任何配置开始的收集（除了不可能进行确定性收集的二价配置）。
2012-07-01 cs.DC cs.RO
The cost of probabilistic gathering in oblivious robot networks
在本文中，我们解决了两个协议问题的复杂性问题，即在不经意的机器人网络聚集和分散。这些抽象是合作移动机器人的基本协调问题。此外，它们的遗忘特性使它们对自稳定具有吸引力，因为它们是自稳定的，没有额外的成本。给定一组具有任意初始位置并且在全局坐标系上没有初始协议的机器人，聚集要求所有机器人到达完全相同但不是预定的位置，而分散则针对分散的机器人，使得没有两个机器人共享相同的位置。确定性的聚集和分散已被证明是不可能的任意的干扰，因此最近提出了概率的解决方案。本文的贡献是双重的。首先，我们提出了一个详细的复杂性分析现有的概率收集算法在无故障和故障倾向的环境。我们考虑崩溃和拜占庭倾向的环境。此外，使用马尔可夫链工具和对环境的额外假设，我们证明了收集收敛时间可以从O（n^2）（最佳已知的紧界）减少到O（nln（n））。此外，我们证明了在容易崩溃的环境中，收集是在O（nln（n）+2f）内实现的。其次，使用相同的技术，我们证明了最好的已知的散射策略在无故障系统中收敛是O（n）（这是一个最优的），而在易崩溃的环境中，它需要O（n-f）。最后，我们总结了与不同的策略来收集遗忘机器人的讨论。
2008-07-10 cs.CC cs.DC
Gathering Autonomous Mobile Robots Under the Adversarial Defected View Model
Indian Institute of Technology Jodhpur（印度理工学院乔德普尔分校）；Sardar VallabhBhai National Institute of Technology Surat（萨达尔·瓦拉巴伊国家技术学院苏拉特）
本文提出两种分布式算法，在对抗性缺陷视图模型下实现自主移动机器人在有限时间内确定性聚集。
2026-03-06 cs.DC
Leader Election and Gathering for Asynchronous Transparent Fat Robots without Chirality
本文提出了一种分布式算法，确定性地收集n（n> 4）异步，胖机器人。机器人被假定为透明的，并且它们具有完全可见性。机器人最初被认为是静止的。机器人在运动中是可见的。机器人不存储过去的动作。它们是匿名的，不能通过它们的外观来区分，并且没有共同的坐标系或手性。机器人不通过消息传递进行通信。在所提出的收集算法中，一个机器人一次向其目的地移动。移动的机器人被选择为唯一有资格移动的机器人，直到它到达目的地。在领带的情况下，本文提出了一种领导者选举算法，该算法产生的机器人的排序和排序中的第一个机器人成为领导者。排序是唯一的，在这个意义上，每个机器人，其特点是它的位置，同意相同的排序。我们表明，如果一组机器人可以订购，那么他们可以收集确定性。该文件还描述的情况下，订购是不可能的。本文还提出了一个重要的事实，如果领导选举是可能的，那么聚集模式的形成是可能的，即使没有手性。
2012-08-22 cs.DC
Asynchronous mobile robot gathering from symmetric configurations without global multiplicity detection
我们考虑一组K自治机器人，赋予可见性传感器（但否则无法通信）和运动执行器。这些机器人必须合作到达一个事先未知的顶点，并在此后留在那里。以前在环形网络中收集的工作表明，在潜在初始配置集的大小和机器人的传感能力之间存在权衡（即初始配置集越大，传感器需要的功能就越强大）。我们证明没有这样的交易。我们提出了一个收集协议的奇数个机器人在环形网络，允许对称的，但不是周期性的配置作为初始配置，但只使用本地弱多重性检测。机器人被假定为匿名和不经意的，执行模型是异步公平调度的非原子CORDA模型。我们的协议允许最大的一组初始配置（相对于不可能的结果），但使用最弱的多重性检测器。我们的协议的时间复杂度是O（n ~ 2），其中n表示环的大小。与以前的工作相比，也使用局部弱多重性检测，我们没有k < n/2的约束（这里，我们只是有2 < k < n - 3）。
2011-04-29 cs.DC
TuringMobile: A Turing Machine of Oblivious Mobile Robots with Limited Visibility and its Applications
Aix-Marseille University（艾克斯-马赛大学）；University of Ottawa（渥太华大学）；Carleton University（卡尔顿大学）；JAIST（北陆先端科学技术大学院大学）
在本文中，我们研究了一组移动机器人有限的能见度的计算能力。在每一次迭代中，机器人拍摄其周围环境的快照，使用快照来计算目的地点，并向其目的地移动。每个机器人都是点状和无记忆的，它在$\mathbb{R}^m$中运行，它有一个独立于其他机器人的本地参考系统，并由对抗调度器异步激活。此外，机器人是非刚性的，因为它们可以在到达目的地之前的每次移动时被调度器停止（但是保证在停止之前至少行进固定的未知距离）。我们表明，尽管有这些强大的限制，它是有可能安排这些弱实体的$3m+3k$在$\mathbb{R}^m$，以模拟一个更强的机器人是刚性的行为（即，它总是到达它的目的地），并且被赋予持久存储器的$k$寄存器，每个寄存器可以存储实数。我们称这种安排为TuringMobile。在最简单的形式中，只有三个机器人组成的TuringMobile可以在飞机上旅行，并存储和更新单个实数。我们还证明，这个任务是不可能的，少于三个机器人。在TuringMobile的应用程序中，我们专注于近距离聚集（所有机器人都必须聚集在一个足够小的磁盘中）和模式形成（其中聚集是一个特例）。有趣的是，我们的调查意味着这两个问题是可解决的任何维度的欧几里得空间，即使机器人的可见性图最初是断开的，只要少量的这些机器人被安排形成一个TuringMobile。在飞机的特殊情况下，只有三个机器人的基本TuringMobile就足够了。
2018-08-06 cs.CG cs.DC cs.RO
Gathering Despite Defected View
Nagoya Institute of Technology（名古屋工业大学）；Kyushu Institute of Technology（九州工业大学）；Hosei University（法政大学）；Toyohashi University of Technology（丰桥技术科学大学）；Osaka University（大阪大学）
由多个移动计算实体（称为机器人）组成的自主移动机器人系统引起了研究者的广泛关注，阐明机器人的能力与问题的可解性之间的关系是近几十年来的一个新兴课题。一般来说，每个机器人都可以观察到所有其他机器人，只要没有对可见范围或障碍物的限制，而不管机器人的数量。在本文中，我们提供了一个新的视角观察机器人;一个机器人不一定能观察到所有其他机器人，无论距离。我们称这种新的计算模型为缺陷视图模型。在此模型下，本文考虑了要求所有机器人在同一点集合的集合问题，并提出了两种算法来解决对抗式机器人环境下的集合问题。（$N$，$N-2$）-$N \geq 5$的缺陷模型（其中每个机器人最多观察对手选择的$N-2$机器人）和基于距离的（4，2）-缺陷模型（其中每个机器人观察最多2个离其最近的机器人），其中$N$是机器人的数量。此外，我们提出了一个不可能的结果，表明在对抗或基于距离的（3，1）-缺陷模型中没有（确定性）收集算法。此外，我们还证明了在松弛的（$N$，$N-2$）缺陷模型中聚集的不可能性。
2022-08-17 cs.DC cs.RO
When Robots Crash: Optimal Asynchronous Gathering at Weber Meeting Nodes
Indian Institute of Technology Jodhpur（印度海德拉巴理工学院）；Birla Institute of Technology Mesra（比尔拉理工学院梅斯拉分校）
针对异步匿名无记忆机器人在崩溃故障下的最优聚集问题，提出CrashTolerantWeberGathering算法，使每个机器人独立选择同一韦伯会议节点，避免依赖指定机器人，保证有限时间内聚集并最小化总曼哈顿距离。
2026-10-07 cs.CG cs.DC cs.MA
Complete Visibility Algorithm for Autonomous Mobile Luminous Robots under an Asynchronous Scheduler on Grid Plane
Nagoya Institute of Technology（名古屋工业大学）；Hosei University（法政大学）
针对无限网格平面上不透明发光机器人的完全可见性问题，提出一种仅用两种颜色、支持异步运行且无需知晓机器人总数的分布式算法，明确了机器人能力与问题可解性的关联。
2023-06-14 cs.DC cs.RO
The Surplus Parking Gathering Problem in Infinite Grids
Indian Institute of Technology Jodhpur（印度理工学院焦普尔分校）；Birla Institute of Technology Mesra（米尔拉比特学院）
研究无限网格上机器人的剩余停车聚集问题，针对自主、匿名等特性的机器人，在异步模型下，先确定可解性必要条件，再给出确定性分布式算法，分析其移动复杂度，得到上界和最坏情况下界。
2026-07-08 cs.DC math.LO
RoboCast: Asynchronous Communication in Robot Networks
Université Pierre et Marie Curie - Paris 6（巴黎第六大学（皮埃尔和玛丽·居里大学））；Ben Gurion University of the Negev（内盖夫本·古里安大学）
本文介绍了\emph{RoboCast}通信抽象。RoboCast允许一群非遗忘的匿名机器人，这些机器人只被赋予可见性传感器，并且不共享公共坐标系，以异步交换信息。我们提出了一个通用的框架，涵盖了一大类异步通信算法，并展示了我们的框架可以用来实现基本的构建块，如机器人网络的收集或stigmergy。更详细地说，我们提出了一个RoboCast算法，允许机器人广播他们的本地坐标系彼此。我们的算法进一步完善了本地碰撞避免计划。然后，使用RoboCast原语，我们提出了确定性异步收集和二进制信息交换的算法。
2010-09-23 cs.DC cs.RO
Asynchronous Indulgent Gathering of Opaque Robots
University of Wroclaw, Poland（波兰沃克劳大学）；Indian Institute of Technology Guwahati, India（印度古瓦哈提理工学院）；Kent State University, USA（美国肯特州立大学）
本文研究了异步不透明机器人在移动故障模型下的聚集问题，证明了2色灯无解并给出最优的3色灯方案，同时针对未知参数的(N,f)-系统提出了两种具备时间-颜色权衡且最优的确定性算法。
2026-10-16 cs.DC cs.MA cs.RO
The Max-Line-Formation Problem
我们考虑n个机器人有限的能见度：每个机器人只能观察到其他机器人的恒定距离表示为观看范围。机器人以完全同步（FSync）或半同步（SSync）的离散轮操作。大多数以前研究的编队问题在这种设置寻求使机器人更接近在一起（例如，聚集或链形成）。在这项工作中，我们介绍了最大线形成的问题，它有一个相反的目标：安排机器人的最大长度的直线。首先，我们证明了这个问题是不可能解决的机器人具有恒定大小的圆形视野范围。这种不可能性在非常强的假设下成立：机器人在FSync中的局部坐标系的两个轴上都一致。在积极的一面，我们表明，这个问题是可以解决的机器人与恒定的平方观看范围，即，机器人可以观察位于以它们的位置为中心的恒定大小的正方形内的其他机器人。在这种情况下，机器人只需要在其局部坐标系的一个轴上达成一致。我们推导出两个算法：第一种算法考虑了不经意机器人，在SSync调度器下，收敛到时间上的最优配置$\mathcal{O}(n^2 \cdot \log (n/\varepsilon))$。另一种算法使用局部可见光（LUMI）。它是为FSync调度器设计的，可以在最佳时间$Θ(n)$内精确地解决问题。之后，我们表明，算法和分析技术也可以应用到聚集和链形成问题：我们介绍了一种算法，减少了观看范围的聚集，并给出了新的和改进的运行时界限的链形成问题。
2021-09-24 cs.DC
