Resilient Monitoring in Heterogeneous Multi-robot Systems through Network Reconfiguration
University of Southern California（南加州大学）；Georgia Institute of Technology（佐治亚理工学院）
我们提出了一个框架的弹性网络异构多机器人团队资源故障。团队中的每个机器人都配备了与邻居共享的资源。此外，团队中的每个机器人执行一项任务，其性能取决于它可以访问的资源。当特定机器人上的资源变得不可用时（\eg摄像头停止工作），团队将以最佳方式重新配置其通信网络，以便受故障影响的机器人可以继续执行任务。我们专注于一个监控任务，机器人单独估计一个外源过程的状态。通过定义一个新的更强的可观测性概念-- \textit{one-hop observability}，我们编码了机器人资源损失对团队监控性能的端到端影响。通过抽象的影响，{低级别}个人资源的任务性能，通过一跳可观察性的概念，我们的框架导致原则上重新配置的信息流在团队中，有效地取代一个机器人上丢失的资源与信息从另一个，只要满足一定的条件。网络重构问题转化为资源故障发生后在系统通信图中选择边进行修改的问题。基于有限时间收敛控制障碍函数的控制器将每个机器人驱动到使修改后的图的通信链路成为可能的空间位置。我们验证了我们的框架的有效性，通过部署在一个团队的差分驱动机器人估计的一组四旋翼的位置。
2021-08-07 cs.RO
Resilient robot teams: a review integrating decentralised control, change-detection, and learning
University of Southampton（南安普顿大学）
审核目的：本文回顾了分散控制，变化检测和学习的背景下，弹性机器人团队的机遇和挑战。最近的研究结果：外源性故障检测方法可以提供一个通用的检测或特定的诊断与恢复解决方案。机器人团队可以执行主动和分布式传感，以检测环境中的变化，包括识别和跟踪动态异常，以及协作映射动态环境。分散控制的弹性方法已经在学习感知-动作-通信回路，多智能体强化学习，体现进化，离线进化与在线适应，明确的任务分配和群体机器人中的stigmergy中开发。总结：弹性机器人团队面临的挑战是集成变化检测和试错学习方法，在有限的评估时间内获得可靠的性能评估，提高弹性机器人团队的安全性，理论结果表明快速适应给定的环境扰动，并设计现实和令人信服的案例研究。
2022-04-21 cs.AI cs.RO
A Global Games-Inspired Approach to Multi-Robot Task Allocation for Heterogeneous Teams
Old Dominion University（奥多明尼昂大学）
本文利用全局博弈框架解决异构多机器人任务分配问题，通过设计线性目标函数诱导混合纳什均衡，并给出仅需矩阵求逆的高效求解算法，仿真验证了其有效性。
2025-01-02 cs.MA cs.RO cs.SY
Heterogeneous Multi-robot Task Allocation for Long-Endurance Missions in Dynamic Scenarios
Multi-robot & Control Systems group, Universidad de Sevilla（多机器人与控制系统组，塞维利亚大学）
本文提出了一种异质多机器人任务分配框架，通过混合整数线性规划和启发式算法解决动态场景中长续航任务的协调分配问题，并验证了其在空中机器人检查任务中的有效性。
2025-11-26 cs.RO
Behavior Tree Capabilities for Dynamic Multi-Robot Task Allocation with Heterogeneous Robot Teams
FZI Research Center for Information Technology（FZI信息技术研究中心）
针对异构机器人团队动态任务分配问题，提出基于行为树的能力建模与运行时拍卖分配系统，提升任务执行质量与团队灵活性。
2024-02-05 cs.RO
Hierarchically Decentralized Heterogeneous Multi-Robot Task Allocation System
University of Cincinnati（辛辛那提大学）
本文提出一种分层去中心化异构多机器人任务分配系统，通过基于拍卖的MRTA和3种拍卖策略实现ISRU任务协调，并在ROS2的pyrobosim仿真中验证其可扩展性与鲁棒性。
2024-05-03 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
Efficient Task Allocation in Smart Warehouses with Multi-delivery Stations and Heterogeneous Robots
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；University of Oulu（奥卢大学）
多机器人系统中的任务分配问题是一个NP难问题，其可行解通常采用启发式算法求解。考虑到对物流改进的需求日益增加，使用机器人来提高物流仓库的效率正在成为一种需求。在智能仓库中，主要任务包括使用一组自动拣选和移动机器人，这些机器人通过从货架上的一组订单中拣选物品并将其放在配送站来进行协调。多机器人任务分配的复杂性通常有两个方面：（i）环境方面，例如多个交付站和分散的机器人（因为它们保持恒定运动）和（ii）车队异质性，其中机器人的交通速度和容量负载彼此不同。尽管这些特性在文献中已经被广泛研究，但它们通常被单独研究。针对具有多配送站和异构车队的智能仓库，提出了一种可扩展的高效任务分配算法。我们的策略采用了一种新的成本估计器，它计算成本作为机器人的可变特性和能力的函数，而他们接受新的任务。为了验证该策略，进行了一系列实验，模拟具有多个交付站和异质车队的智能仓库的操作。结果表明，我们的策略生成的路由成本高达$33$ \%以下的一个国家的最先进的任务分配算法生成的路由和$96$ \%更快的测试实例，代表我们的目标场景。考虑到单配送站和非分散机器人，我们将机器人数量减少了$18$ \%，分配任务的速度加快了$92$ \%，并生成了成本与最先进算法生成的路线在统计上相似的路线。
2022-02-28 cs.RO
Designing Heterogeneous Robot Fleets for Task Allocation and Sequencing
Delft University of Technology（代尔夫特理工大学）
针对异构机器人群体的任务分配与排序问题，提出基于大邻域搜索的启发式方法，在预算约束下组建最优机器人队伍，相比贪心算法大幅降低任务完成所需预算。
2023-12-12 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
Adaptive Task Allocation for Heterogeneous Multi-Robot Teams with Evolving and Unknown Robot Capabilities
Georgia Institute of Technology（佐治亚理工学院）；CCDC Army Research Laboratory（美国陆军研究实验室）
对于具有异构能力的多机器人团队，典型的任务分配方法根据机器人执行某些任务的适合性以及任务本身的要求将任务分配给机器人。然而，在机器人团队的实际部署中，机器人的适用性可能在部署之前是未知的，或者可能由于环境条件的变化而变化。本文提出了一种自适应的任务分配和任务执行框架，它允许单个机器人之间的优先级任务，同时明确考虑到他们的效率在执行任务-其参数可能是未知的部署前和/或可能会随着时间的推移而变化。这样一个\emph{specialization}参数-编码一个给定的机器人对一个任务的有效性-是动态更新的，允许我们的算法重新分配机器人之间的任务，目的是执行它们。开发的框架不需要明确的模型变化的环境或未知的机器人的能力-它只考虑到机器人在完成任务的进展。仿真和实验表明，所提出的方法在环境条件的变化，当机器人的能力是未知的部署前的有效性。
2020-03-06 cs.RO cs.SY eess.SY
D-ITAGS: A Dynamic Interleaved Approach to Resilient Task Allocation, Scheduling, and Motion Planning
Georgia Institute of Technology（佐治亚理工学院）
复杂的多目标任务要求异构机器人在多个相互连接的层次上进行协调，例如联盟形成、调度和运动规划。动态变化加剧了这一挑战，例如传感器和执行器故障、通信丢失和意外延迟。我们引入动态迭代任务分配图搜索（D-ITAGS）\textit{simultaneously}地址联盟形成，调度，和运动规划在动态设置涉及异构团队。D-ITAGS通过两个关键特性实现弹性：i）交错执行，ii）有针对性的修复。\textit{Interleaved execution}能够在每一层有效地搜索解决方案，同时避免与其他层的不兼容。\textit{Targeted repair}可识别和修复受特定中断影响的部分现有解决方案，同时保留其余部分。除了算法的贡献，我们提供了理论上的见解，在这些设置中的时间和资源最优性之间的内在权衡，并得出有意义的界限时间表次优。我们的实验表明，i）D-ITAGS在动态设置中比从头开始重新计算要快得多，解决方案质量几乎没有损失，ii）理论上的次优性界限在实践中始终保持不变。
2022-12-03 cs.MA cs.RO
Distributed Allocation and Resource Scheduling Algorithms Resilient to Link Failure
针对链路故障、丢包、时延和间歇连通问题，提出基于图论与网络渗流理论的弹性分布式资源分配算法，保证全程可行、鲁棒收敛并在一致连通网络下达到最优。
2025-10-21 cs.DC cs.MA cs.SY
Inferring Implicit Trait Preferences for Task Allocation in Heterogeneous Teams
Georgia Institute of Technology（佐治亚理工学院）
异构多智能体团队中的任务分配通常需要关于多维智能体特征的推理（即，能力）以及任务对它们的要求。然而，现有的方法往往忽略了一个事实，即并非所有的特质都同样有助于给定的任务。忽略这种固有的偏好或相对重要性可能会导致有限的代理资源的非预期次优分配，这不一定有助于任务的成功。此外，对大量特征的推理可能会导致巨大的计算负担。为了减轻这些问题，我们提出了一个算法来推断任务特定的特质偏好隐含在专家演示。我们利用的洞察力，专家分配一个特性的任务跨演示的一致性反映了该特性的重要性，该任务。受心理学研究结果的启发，我们解释了这样一个事实，即数据集中特征的固有多样性会影响数据集的信息量，从而影响推断偏好的程度或缺乏偏好的程度。通过对公开的足球数据集（FIFA 20）进行详细的数值模拟和评估，我们证明了我们可以成功地推断出隐式特质偏好，并且与平等对待所有特质的基线方法相比，对推断出的偏好进行解释会导致计算效率更高和更有效的任务分配。
2023-02-21 cs.MA cs.RO
A Group Consensus-Driven Auction Algorithm for Cooperative Task Allocation Among Heterogeneous Multi-Agents
针对异构多任务多智能体任务分配中现有研究整合不足、算法误差大的问题，提出带时间窗的GCBHA算法，通过任务分解、启发式聚类分组、拍卖分配及场景化成本评估，提升了分配效率与解质量，降低了成本误差率。
2025-08-04 cs.MA
DRAMA: Next-Gen Dynamic Orchestration for Resilient Multi-Agent Ecosystems in Flux
Zhejiang University（浙江大学）；Ningbo Global Innovation Center, Zhejiang University（浙江大学宁波全球创新中心）；Xidian University（西安电子科技大学）
本文提出DRAMA，一种动态且鲁棒的多智能体系统，通过模块化架构和灵活的任务分配机制，提高多智能体在快速变化环境中的协作韧性。
2026-05-20 cs.MA
Capacity Allocation and Pricing of High Occupancy Toll Lane Systems with Heterogeneous Travelers
针对异质出行者的 HOT 车道设计问题，本文构建博弈论模型刻画容量分配与收费下的均衡策略和出行时间，并基于加州 I-880 标定求解最优方案。
2024-12-03 cs.MA
Resilient Energy Allocation Model for Supply Shortage Outages
University of the Philippines, Diliman（菲律宾大学迪利曼分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出多目标优化调度模型，研究在电网韧性与成本之间权衡时如何最优分配未用能源以应对供不应求停电问题。
2017-07-25 cs.MA cs.SY eess.SY
Resilient Multi-Agent Negotiation for Medical Supply Chains:Integrating LLMs and Blockchain for Transparent Coordination
Virginia Tech（弗吉尼亚理工大学）
提出融合区块链与 LLM 多智能体谈判的混合框架，通过链下自适应决策、链上智能合约执行和跨层协议提升危机医疗供应链的韧性、公平性与可审计性。
2025-07-23 cs.AI cs.MA
Heterogeneous Debate Engine: Identity-Grounded Cognitive Architecture for Resilient LLM-Based Ethical Tutoring
Institute of Computer Science, Warsaw University of Technology（华沙理工大学计算机科学研究所）
本文提出异质辩论引擎，结合身份导向检索增强生成与启发式理论思维，解决多代理系统在伦理教学中保持精确回答的挑战。
2026-03-28 cs.AI cs.CL cs.CY
Resilient Fleet Management for Energy-Aware Intra-Factory Logistics
The Ohio State University（俄亥俄州立大学）
针对自主工厂中电池机器人车队面临的通道受阻与故障等不确定性，提出基于 Monte Carlo Tree Search 标称树和中断后快速更新的集中式任务重分配方法，实验验证其具备实时弹性调度能力。
2024-09-08 cs.MA cs.RO cs.SY
Min-Max Tours for Task Allocation to Heterogeneous Agents
School of Electrical and Computer Engineering at Purdue University（普渡大学电气与计算机工程学院）
研究如何为异构移动智能体分配任务，以最小化任何智能体完成任务并返回仓库的最大成本，提出了一种三阶段算法，提供5倍近似比。
2018-03-26 cs.MA cs.RO cs.SY
A Coalition Formation Approach to Coordinated Task Allocation in Heterogeneous UAV Networks
研究了在资源受限的无人机异构网络环境下，敌方目标检测和后续任务完成问题。无人机事先不知道识别这些目标所需的位置和资源。在所提出的领导者-跟随者联盟形成模型中，首先定位目标的无人机作为联盟领导者，并选择一组跟随者无人机来完成与所识别的目标相关联的任务。联盟形成的目标是以最小的资源利用完成指定的任务。联盟成员的另一个作用是通过分布式协作中继方案将其信号转发到地面站，使地面站了解检测到的敌方目标。我们还提出了一个基于声誉的联盟形成机制，以监测随着时间的推移，合作的无人机的行为，并排除潜在的不可信的无人机。仿真结果表明，所提出的方法在形成最佳联盟的效率相比，替代方法。
2017-11-01 cs.MA
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
Q-ITAGS: Quality-Optimized Spatio-Temporal Heterogeneous Task Allocation with a Time Budget
针对复杂多目标任务中的异构机器人协调问题，提出Q-ITAGS框架，通过可学习的特征-质量图优化任务性能，并在满足时空与资源约束下推导理论次优性界限，实验证明其优于现有方法。
2024-10-16 cs.MA
Multi-Agent Reinforcement Learning for Network Selection and Resource Allocation in Heterogeneous multi-RAT Networks
移动设备的快速生产以及无线应用程序的繁荣每天都在继续发展。这激发了使用多种无线电接入技术（multi-RAT）来开发无线频谱以及开发创新的网络选择技术以应对这种密集的需求，同时提高服务质量（QoS）。因此，我们提出了一个分布式的框架，在边缘级别的动态网络选择，和资源分配在无线接入网络（RAN）的水平，同时考虑到不同的应用程序的特点。特别是，我们的框架采用了深度多智能体强化学习（DMARL）算法，旨在最大限度地提高边缘节点的体验质量，同时延长节点的电池寿命并利用自适应压缩方案。事实上，我们的框架使数据传输从网络的边缘节点，多RAT功能，以成本和节能的方式到云，同时保持不同的支持应用程序的QoS要求。我们的研究结果表明，我们的解决方案优于国家的最先进的网络选择技术的能源消耗，延迟和成本。
2022-02-21 cs.MA cs.NI
