An Information-Theoretic Approach to Persistent Environment Monitoring Through Low Rank Model Based Planning and Prediction
Cornell University（康奈尔大学）
机器人可用于在人类难以穿越的地区收集环境数据。然而，限制仍然存在于区域的大小，机器人可以直接观察每单位时间。我们介绍了一种方法，选择有限数量的观察点在一个大的区域，我们可以预测的状态，在该地区的未观测点。我们结合了一个低秩模型的目标属性与信息最大化的路径规划，以预测整个区域的属性的状态。我们的方法是不可知的目标属性和机器人监控平台的选择。我们在两个真实环境数据集上模拟评估了我们的方法，每个数据集都包含来自一百万到两百万个可能的采样位置的观测结果。我们比较了一个随机采样器和四个变化的基线采样器从生态学文献。我们的方法优于基线方面的平均Fisher信息增益每个样本，并在大多数试验中进行平均重建误差。
2020-09-02 cs.AI cs.RO
Cross domain Persistent Monitoring for Hybrid Aerial Underwater Vehicles
本文提出利用深度强化学习和迁移学习实现混合空水车辆的跨域持续监控，展示统一策略在不同环境中的可行性。
2026-02-23 cs.RO
Monitoring autonomous persistent surveillance missions using invariance
Department of Electrical and Computer Engineering, University of the Bundeswehr Munich（德国联邦国防军 Munich 电子与计算机工程系）
本文研究了自主机器人在自主栈为黑盒时的运行时监控问题，通过将环境划分为有限区域并设计基于不变量的监控器，提出了一种分布式计算低维不变量集的方法，实现了对完整系统不变量的正确性和完备性。
2026-05-07 cs.RO cs.SY eess.SY
Multi-Robot Routing for Persistent Monitoring with Latency Constraints
University of Waterloo（滑铁卢大学）；Purdue University（普渡大学）
在本文中，我们研究了一个多机器人的路径规划问题，持续监测的环境。我们将被监控的区域表示为加权图的顶点。对于每个顶点，存在对机器人访问该顶点之间花费的最大时间的约束，称为延迟，目标是找到能够满足这些延迟约束的机器人的最小数量。这个问题的决策版本是已知的PSPACE完全。我们提出了一个$O(\log ρ)$近似算法的问题，其中$ρ$是最大和最小延迟约束的比率。我们还提出了一个基于定向运动的启发式算法来解决这个问题，并通过仿真表明，在大多数情况下，启发式算法比近似算法给出更好的解决方案。我们评估我们的算法在巡逻的情况下，在一个持久的场景重建应用程序的大问题的实例。我们还比较了算法与现有的求解器的基准实例。
2019-03-14 cs.RO
RaccoonBot: An Autonomous Wire-Traversing Solar-Tracking Robot for Persistent Environmental Monitoring
University of California, Irvine（加利福尼亚大学欧文分校）
本文提出RaccoonBot，一种自主巡线太阳能跟踪机器人，通过自锁机械设计和太阳能跟踪算法实现持续环境监测中的能量自主，实验验证其能应对电线扰动与倾斜。
2025-01-24 cs.RO
An Optimal Control Approach for the Persistent Monitoring Problem
Boston University（波士顿大学）
提出一种最优控制框架，通过控制移动代理的运动来最小化任务空间中的不确定性度量，并利用无穷小扰动分析将问题简化为参数优化。
2011-10-05 cs.RO cs.SY eess.SY
Visual Monitoring for Multiple Points of Interest on a 2.5D Terrain using a UAV with Limited Field-of-View Constraint
Indraprastha Institute of Information Technology（英迪拉普拉斯信息技术研究所）；Virginia Tech（弗吉尼亚理工大学）
多变的地形条件和有限的视野限制了空中机器人在执行视觉监控操作时的可见性。在本文中，我们研究了多点监测问题的2.5维地形使用无人机（UAV）与有限的摄像机视场。这个问题是NP-Hard的，因此我们开发了一个两阶段的策略来计算无人机的近似行程。在第一阶段中，为每个感兴趣点确定飞行平面上的可见区域。在第二阶段中，无人机访问每个可见区域的行程通过将问题转换为具有邻域的旅行商问题（TSPN）的实例来计算。我们设计了一个常数因子的近似算法的TSPN实例。此外，我们减少了TSPN实例的广义旅行商问题（GTSP）的一个实例，并设计了一个ILP配方来解决it. We提出了一个比较评估的解决方案计算使用分支和切割实现和现成的GTSP工具- GLNS，而不同的兴趣点密度，采样分辨率和摄像机的视野。我们还展示了初步的现场实验结果。
2019-03-18 cs.RO
Spatio-Temporal Attention Network for Persistent Monitoring of Multiple Mobile Targets
National University of Singapore（新加坡国立大学）
这项工作的重点是持续监测问题，其中一组目标移动的基础上一个未知的模型，必须由一个自主移动机器人与有限的传感范围进行监测。为了保持每个目标的位置估计尽可能准确，机器人需要自适应地规划其路径以（重新）访问所有目标，并根据沿途收集的测量值更新其信念。在这样做时，主要的挑战是在剥削，即，重新访问先前定位的目标和勘探，即，寻找新的目标或重新获得失去的目标。受深度强化学习最新进展的鼓舞，我们引入了一种基于注意力的神经解决方案来解决持续监控问题，其中智能体可以学习目标之间的相互依赖关系，即，它们的空间和时间相关性，以过去的测量为条件。这赋予代理的能力，以确定哪个目标，时间和位置参加跨多个尺度，我们也表明，这有助于放松通常的限制，一个有限的目标集。我们的实验表明，我们的方法优于其他基线的目标访问次数和复杂环境中的平均估计误差。最后，我们实现和验证我们的模型在一个基于无人机的仿真实验，以监测移动地面目标在高保真模拟器。
2023-03-11 cs.RO
UAV Target Tracking in Urban Environments Using Deep Reinforcement Learning
IIIT-Delhi（印度德里信息技术学院）；Indian Institute of Science Education and Research, Bhopal（印度博帕尔科学教育与研究学院）
在城市环境中，由于视野有限、障碍物的遮挡以及目标运动的不确定性，无人机对目标的持续跟踪是一项困难的任务。车辆需要在3D中进行智能规划，以便最大限度地提高目标可见性。在本文中，我们介绍了目标跟踪DQN（TF-DQN），一种基于深度Q网络的深度强化学习技术，具有课程训练框架，用于无人机在存在障碍物和目标运动不确定性的情况下持续跟踪目标。该算法进行了评估，通过几个模拟实验定性以及定量。结果表明，无人机在不同的环境中持续跟踪目标，同时避开训练环境和不可见环境中的障碍物。
2020-07-21 cs.RO cs.SY eess.SY
Multi-Agent Deep Reinforcement Learning For Persistent Monitoring With Sensing, Communication, and Localization Constraints
IISER Bhopal（印度科学教育与研究学院博帕尔分院）；University of Maryland, College Park（马里兰大学帕克分校）
针对无GPS环境下多机器人持续监测问题，提出基于图卷积的多智能体深度强化学习架构GALOPP，融合感知、通信与定位约束，实验验证其优于非强化学习基线。
2023-05-14 cs.RO
COMPASS: Cooperative Multi-Agent Persistent Monitoring using Spatio-Temporal Attention Network
Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（机械工程系，设计与工程学院，新加坡国立大学）
提出 MARL 框架 COMPASS，结合图建模、时空注意力与高斯过程，实现去中心化多智能体对动态目标的高效持续监测，并在多项指标上优于基线。
2025-10-20 cs.MA cs.RO
Multi-Robot Persistent Monitoring: Minimizing Latency and Number of Robots with Recharging Constraints
University of Maryland（马里兰大学）；Purdue University（普渡大学）；University of Waterloo（滑铁卢大学）
在本文中，我们研究了多机器人路径规划的持续监测任务。我们考虑的情况下，机器人有一个有限的电池容量与放电时间$D$。我们将被监控的区域表示为加权图的顶点。对于每个顶点，机器人访问之间的最大允许时间有一个约束，称为延迟。我们的目标是找到最少数量的机器人，可以满足这些延迟的限制，同时也确保机器人定期在充电站充电。这个问题的决策版本是已知的PSPACE完全。我们提出了一个$O(\frac{\log D}{\log \log D}\log ρ)$近似算法的问题，其中$ρ$是最大和最小延迟约束的比率。我们还提出了一个定向运动为基础的启发式来解决这个问题，经验表明，它通常提供更高质量的解决方案比近似算法。我们扩展我们的研究结果提供了一个算法的问题，最大加权延迟给定一个固定数量的机器人。我们评估我们的算法在巡逻的情况下，在野火监测应用程序的大型问题实例。我们还比较了算法与现有的求解器的基准实例。
2023-03-15 cs.RO
Bounds on Optimal Revisit Times in Persistent Monitoring Missions with a Distinct \& Remote Service Station
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Texas A&M University（德州农工大学）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Infoscitex corporation（Infoscitex公司）；Air Force Research Laboratory（美国空军研究实验室）
持续的监测任务需要对基本环境不断变化的状况有最新的了解。无人机可以被有益地用于连续访问环境中代表任务（和位置）的一组目标，并在其中长时间收集数据。这些任务的持久性要求无人机在服务站定期充电。在本文中，我们考虑的情况下，服务站是不共处的任何目标。有效的监测要求尽量缩短重访时间，重访时间的定义是连续重访目标之间的最长时间。在这里，我们考虑的问题，确定无人机路线，导致最小的重访时间。该问题是NP难的，其计算难度随着无人机的燃料容量而增加。我们开发了一种算法，以快速构建接近最优的解决方案的问题，当燃料容量超过阈值。我们还开发了最佳重访时间的下限，并使用这些界限来证明（通过数值模拟），构造的解决方案是，平均而言，最多0.01%远离最佳。
2021-05-21 cs.RO math.OC
VP-EVT: Active Visibility Preservation for Embodied Visual Tracking
Southern University of Science and Technology（南方科技大学）；Tencent Robotics X（腾讯Robotics X实验室）
针对具身视觉跟踪中动态场景行人遮挡导致目标丢失的问题，提出VP-EVT框架，结合语言引导感知与循环控制器保持目标可见性，在OccEVT-Bench上大幅提升跟踪性能。
2026-10-16 cs.RO
Spatio-Temporal Metric-Semantic Mapping for Persistent Orchard Monitoring: Method and Dataset
GRASP Laboratory, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）；Department of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学）；Department of Mechanical Engineering, University of California, Merced（机械工程系，加州大学默塞德分校）
本文提出一种融合LiDAR-RGB与4D果实关联的时空度量语义建图系统，用于果园果实生长监测，在真实数据上实现96.9%计数准确率和1.1厘米尺寸误差，并公开多模态数据集。
2025-05-06 cs.RO
Minimizing Worst-Case Weighted Latency for Multi-Robot Persistent Monitoring: Theory and RL-Based Solutions
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University, Shanghai, China（自动化与智能感知学院，上海交通大学，上海，中国）；Key Laboratory of System Control and Information Processing, Ministry of Education of China, Shanghai, China（系统控制与信息处理重点实验室，中华人民共和国教育部，上海，中国）
本文研究多机器人在加权图上的持续监控问题，提出尾性能目标以改进传统最坏情况延迟评估，并基于强化学习构建TWLO-MDP模型，通过实验验证方法在合成和现实场景中的有效性。
2026-07-14 cs.RO cs.SY eess.SY
Persistent Monitoring of Events with Stochastic Arrivals at Multiple Stations
Massachusetts Institute of Technology（麻省理工学院）
本文介绍了一种新的移动传感器调度问题，涉及一个单一的机器人负责监测几个感兴趣的事件发生在不同的位置。特别令人感兴趣的是监测不容易预测的瞬态事件。应用领域从自然现象（例如{ \em}，使用地面机器人监视火山周围的异常地震活动）到城市活动（{ \em例如}，使用空中机器人监测交通拥堵的早期形成）。出于这些和许多其他的例子，本文重点讨论的问题，其中事件的精确发生时间是未知的{ \em先验}，但他们的到达时间间隔的统计数据是可用的。机器人的任务是监视事件以优化以下两个目标：{ \em（i）}最大化观察到的事件数量和{ \em（ii）}最小化在同一位置发生的事件的两个连续观察之间的延迟。本文考虑的情况下，机器人的任务是优化事件的观察，在一个平衡的方式，循环巡逻路线。首先，假设循环排序的车站是已知的，我们证明了最优解的存在性和唯一性，并表明最优解具有良好的收敛性和鲁棒性。我们的建设性的证明也产生了一个有效的算法计算唯一的最优解与$O(n)$时间复杂度，其中$n$是站的数量，与$O(\log n)$时间复杂度递增地添加或删除站。除了算法之外，当循环阶数未知时，大多数分析仍然有效。然后，我们提供了一个多项式时间的近似方案，给出了一个$(1+ε)$最优的解决方案，这个更一般的，NP难的问题。
2014-09-14 cs.RO
Persistent Monitoring of Dynamically Changing Environments Using an Unmanned Vehicle
Texas A&M University（德克萨斯农工大学）；Wright-Patterson A.F.B.（赖特-帕特森空军基地）
我们考虑的问题，规划一个封闭的步行$\mathcal W$的无人机持续监测有限数量的固定目标具有相同的优先级和动态变化的属性。无人机必须实际访问目标，以便监视它们并收集其中的信息。监测任何给定目标的频率由目标重访时间$i.e.$指定，$i.e.$是对目标的任何两次连续访问之间的最大允许时间。在本文中考虑的问题是：给定$n$目标和$k \geq n$允许访问他们，找到一个最佳的封闭行走$\mathcal W^*(k)$，使每个目标至少访问一次，并在所有的目标，$\mathcal R(\mathcal W(k))$，最大重访时间最小化。我们证明如下：如果$k \geq n^2-n$，则$\mathcal R(\mathcal W^*(k))$（或简称为$\mathcal R^*(k)$）仅取两个值：当$k$是$n$的整数倍时为$\mathcal R^*(n)$，否则为$\mathcal R^*(n+1)$。该结果表明显著的计算节省-仅需要确定$\mathcal W^*(n)$和$\mathcal W^*(n+1)$来构造最优解$\mathcal W^*(k)$。我们提供了计算$\mathcal W^*(n)$和$\mathcal W^*(n+1)$的MILP公式。此外，对于{ \it any}给定$k$，我们证明了$\mathcal R^*(k) \geq \mathcal R^*(k…
2019-06-03 cs.DS cs.RO
Persistent Robotic Tasks: Monitoring and Sweeping in Changing Environments
Massachusetts Institute of Technology（麻省理工学院）；University of Pennsylvania（宾夕法尼亚大学）
我们提出的控制器，使移动机器人持续监测或扫描不断变化的环境。变化的环境被建模为在机器人范围之外的位置中增长并且在机器人范围之内的位置中减小的场。我们假设机器人在给定的封闭路径上行驶。控制每个机器人沿其路径的速度，以防止场在任何位置无限增长。我们考虑的速度控制器，可以参数化的一组有限的基函数的空间。对于一个机器人，我们开发了一个线性规划，保证计算速度控制器在这个空间中，以保持字段有界，如果这样的控制器存在。然后导出另一个线性规划，其解是使环境上的最大场值最小化的速度控制器。我们扩展我们的线性规划制定开发一个多机器人控制器，保持领域有界。多机器人控制器的独特之处在于它不需要机器人之间的通信。仿真研究证明了控制器对建模误差和环境随机性的鲁棒性。
2011-02-03 cs.RO math.OC
A sub-modular receding horizon solution for mobile multi-agent persistent monitoring
我们研究了一组异构移动代理的持续监测有限数量的互联地理节点的问题。我们为每个地理节点分配一个凹的和增加的奖励函数，在代理访问后重置为零。然后，我们设计的最优调度策略，哪些节点在什么时间访问，由什么代理，找到一个政策集，最大化的效用，被定义为在访问时间收集的总奖励。我们发现，这个优化问题是NP-难的，其计算复杂性的代理的数量和任务地平线的长度呈指数增长。通过证明效用函数是代理策略的单调递增和次模集函数，我们进而提出了一个具有已知最优性间隙的次优调度策略设计。为了降低构建可行搜索集的时间复杂度，并诱导鲁棒性的操作因素的变化，我们进行我们的次优策略设计在一个滚动的地平线时尚。然后，为了补偿的短视的后退地平线的方法超出了可行的政策的代理人在后退地平线上的奖励分配，我们添加了一个新的术语，我们的效用，它提供了一个衡量节点的重要性超出了后退地平线的视线。这个术语为策略设计提供了一种直觉，可以将代理引导到巡逻图上具有更高奖励的节点。最后，我们讨论了如何我们提出的算法可以实现在一个分散的方式。仿真研究证明了我们的结果。
2020-10-21 cs.MA cs.RO
Docking and Persistent Operations for a Resident Underwater Vehicle
Applied Underwater Robotics Lab（应用水下机器人实验室）；NTNU（挪威特纳赫大学）
本文提出了一种驻留水下车辆系统，通过水下机器人自主导航和对接，实现了持久无人操作，验证了水声与视觉导航在真实环境中的可行性。
2026-05-08 cs.RO
Robots with Lights: Overcoming Obstructed Visibility Without Colliding
Università degli Studi di Roma “La Sapienza”（罗马大学（罗马第一大学））；University of Ottawa（渥太华大学）；Jadavpur University（贾达普大学）；Carleton University（卡尔顿大学）
带灯的机器人是在平面中以看-计算-移动循环操作的自主移动计算实体的模型：每个代理具有外部可见光，其可以呈现来自固定集合的颜色;灯是持久的（即，在循环结束时颜色不被擦除），但除此之外试剂是不被注意的。调查的可计算性在这个模型中，最初建议的Peleg，正在进行中，最近已经建立了几个结果。然而，在这些调查中，一个代理人被认为能够看穿另一个代理人。在本文中，我们开始研究计算时的可见性是阻碍，并调查最基本的问题，这种设置，完全可见性：代理必须在有限的时间内达到一个配置，他们都可以看到对方和终止。我们不做任何假设的先验知识的代理商的数量，刚性的运动，也不手性。代理的局部坐标系可以在每次激活时改变。此外，根据灯光的定义，智能体在每个周期中只能进行通信并记住恒定数量的位。尽管这些薄弱的条件，我们证明，完全可见性总是可解的，即使在异步设置，没有冲突，并使用一个小的恒定数量的颜色。证据是建设性的。我们还展示了如何扩展我们的协议完全可见性，使相同数量的颜色，代理解决（非均匀）圆的形成问题与受阻的可见性。
2014-05-10 cs.DC cs.RO
Informative Planning and Online Learning with Sparse Gaussian Processes
University of Southern California（南加州大学）
环境监测的一大挑战是要观察的现象的时空变化。为了在这样的设置中实现持续感测和估计，具有时变的底层环境模型是有益的。在这里，我们提出了一种规划和学习方法，使自主海洋车辆执行持久的海洋监测任务，通过学习和完善的环境模型。为了缓解大规模数据积累所造成的计算瓶颈，我们提出了一个框架，该框架在旨在收集信息最丰富的数据的规划组件和稀疏高斯过程学习组件之间进行迭代，其中环境模型和超参数通过利用仅提供最大贡献的数据子集在线学习。我们的模拟与地面实况海洋数据表明，该方法是准确和有效的。
2016-09-24 cs.AI cs.LG cs.RO
Practical Handling of Dynamic Environments in Decentralised Multi-Robot Patrol
University of Bristol（布里斯托大学）；Bristol Robotics Laboratory（布里斯托机器人实验室）
研究去中心化多机器人巡逻中动态环境的实用处理，提出一种在线监测并调整环境动态的新方法，在高度动态场景中显著优于现实基准，并探讨了显式考虑环境动态的适用边界。
2025-09-16 cs.RO
Infinite Grid Exploration by Disoriented Robots
University of Strasbourg（斯特拉斯堡大学）；University Clermont Auvergne（克莱蒙奥弗涅大学）
我们处理一组在无限网格上移动的自主机器人。这些机器人是不透明的，具有有限的可见性功能，并使用同步的Look-Compute-Move循环运行。他们都同意一个共同的手性，但没有全球指南针。最后，他们可能会使用不同颜色的灯光，但除此之外，机器人既没有持久的记忆，也没有沟通手段。我们考虑无限网格探索（IGE）问题。对于这个问题，我们给出了两个不可能的结果和三个算法，其中包括一个是最佳的机器人数量。更详细地说，我们首先表明，两个机器人是不够的，在我们的设置来解决这个问题，即使机器人有一个共同的坐标系。然后，我们表明，如果机器人的坐标系不是自洽的，三个或四个机器人是不足以解决这个问题。最后，我们提出了三种算法，解决IGE问题，在各种设置。第一种算法使用六个机器人，颜色不变，可见度范围为1。第二种方法使用最少数量的机器人，即，五个，以及五个可修改的颜色，仍然在可见度之下。最后一个算法需要7个不经意的匿名机器人，但假设可见性为2。注意，最后两个算法也满足实现排他性。
2019-07-02 cs.DC cs.RO
Mutual Visibility by Luminous Robots Without Collisions
Università degli Studi di Roma “La Sapienza”（罗马大学（罗马第一大学））；University of Ottawa（渥太华大学）；Jadavpur University（贾达普大学）；Università di Pisa（比萨大学）；Carleton University（卡尔顿大学）
考虑一组有限的相同的计算实体，它们可以在欧几里得平面上自由移动，运行在看-计算-移动循环中。设p（t）表示实体p在时间t的位置;如果在时间t没有其他实体位于线段p（t）q（t）中，则实体p可以在时间t看到实体q。我们考虑的基本问题称为相互可见性：从任意不同的位置开始，在有限的时间内，实体必须达到，没有冲突，他们都看到对方的配置。这个问题必须由每个实体自主执行相同的算法来解决。我们研究这个问题中的“发光机器人”模型，在此概括的标准模型的遗忘机器人，每个实体，称为“机器人”，有一个外部可见的持久光，可以假设从一个固定的颜色集。颜色数为c=1的情况对应于没有灯光的经典模型。在本文中，我们研究在什么条件下发光机器人可以解决相互可见性没有碰撞，并在什么成本（即，有多少种颜色）。我们建立了一个频谱的结果，取决于对手的力量，颜色的数量c，以及机器人对系统的先验知识。在这些结果中，我们证明了相互可见性总是可以解决没有冲突，在SSynch与c=2的颜色和ASynch与c=3的颜色。如果对手可以中断并阻止机器人移动到其计算的目的地，则相互可见性仍然始终可以在c=3颜色的SSynch中解决而不会发生冲突，并且如果机器人同意一个轴的方向，则在ASynch中也是如此。所有的结果都是通过新的协议建设性地获得的。作为我们解决方案的副产品，我们为两个经典问题提供了第一个受阻的可见性解决方案：无碰撞收敛到一个点和圆…
2015-07-01 cs.CG cs.DC cs.RO
PBD-AG: Persistent Baseline-Delta Active Graphs with Uncertainty-Aware Inspection for Long-Horizon Service Robots
针对长周期服务机器人世界模型构建的现有方法存在不足，本文提出PBD-AG框架，通过解耦稳定固定装置与动态对象事件，结合不确定性感知检查，在仿真与物理机器人实验中取得更优性能。
2026-08-13 cs.RO
Persistent Covering of a Graph under Latency and Energy Constraints
大多数消费级低成本无人机（UAV）的电池电量有限，充电时间长。由于这些能源限制，它们无法完成许多实际任务，例如数小时监视体育或政治事件。在文献中，提供服务以覆盖一个区域很长一段时间的问题被称为持续覆盖。在过去，研究人员提出了各种硬件平台，如电池交换机制，以提供持久的覆盖。然而，由于问题的计算复杂性和棘手性，算法方法受到限制。近似算法已被认为是将大区域分割成较小的单元，这些较小的单元需要在延迟约束下定期访问。然而，这些方法假设无限的能量。在本文中，我们探讨的几何和拓扑性质，使我们能够显着减少优化问题的大小。因此，所提出的方法可以有效地确定所需的最小数量的无人机和调度他们的路线，以持续覆盖一个区域。实验结果表明，该算法具有更好的性能比基线方法。
2021-01-25 cs.RO
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
Free-Space Ellipsoid Graphs for Multi-Agent Target Monitoring
Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）
我们应用一种新的框架分解和推理的自由空间环境中的多智能体持续监测问题。我们的分解方法将自由空间表示为与加权连通图相关联的椭球体的集合。在高级规划期间用于推理连接性和距离的相同椭圆体可以用作模型预测控制算法中的状态约束以强制无碰撞运动。这种结构允许在2D和3D环境中的分布式多智能体任务中简化实现。我们说明了它的有效性，一个团队的跟踪代理人负责监测一组目标代理。我们的算法使用椭球体分解作为原始的协调，路径规划和控制的跟踪代理。仿真实验表明，该算法在多障碍环境下对15个动态目标的跟踪性能良好。
2022-05-31 cs.RO
Robot Safety Monitoring using Programmable Light Curtains
Robotics Institute at Carnegie Mellon University（卡内基梅隆大学机器人研究所）；TU Munich（慕尼黑工业大学）；MIT（麻省理工学院）
本文提出利用可编程光幕（PLC）构建低成本、可重构的实时机器人安全监控系统，通过动态安全包络入侵检测和多PLC最优布设算法，实现无围栏人机协作与多机器人覆盖，并在四机械臂制造测试平台上验证其快速、准确和经济性。
2024-04-04 cs.RO
