Socially Inspired Communication in Swarm Robotics
University of Minnesota（明尼苏达大学）
群体中的局部通信已被证明在某些情况下通过允许额外的合作机会来提高群体的有效性。然而，交流和利用可能过时的信息也是一个令人关切的问题。我们提出了一个明确的非定向的基于目标的通信模型和消息接受/拒绝计划，并测试我们的模型在一组对象收集实验与一群机器人。实验的结果表明，即使是低水平的沟通群体的目标优于高水平的随机信息沟通。
2019-06-03 cs.RO
MoRoCo: An Online Topology-Adaptive Framework for Multi-Operator Multi-Robot Coordination under Restricted Communication
本文提出MoRoCo框架，通过建立延迟受限的间歇通信基础架构和 detach-and-rejoin 机制，实现多操作员多机器人在受限通信环境下的协调，支持在线团队扩展和拓扑重构，通过本地通信实现子图的动态分解与组合，有效支持时间敏感请求。
2026-03-16 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
Integrating Online Learning and Connectivity Maintenance for Communication-Aware Multi-Robot Coordination
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Carnegie Mellon University（卡内基梅隆大学）
针对现有多机器人连通性维持方法依赖预设通信模型、难匹配真实场景的问题，提出融合CBF与GP的数据驱动连通性屏障证书及DCM算法，结合在线学习与双层优化保障全局连通性，经20台机器人仿真验证有效。
2024-10-08 cs.RO
Communication-Aware Multi-robot Coordination with Submodular Maximization
University of Maryland（马里兰大学）；University of Pennsylvania（宾夕法尼亚大学）；Virginia Tech（弗吉尼亚理工大学）
次模最大化方法在多机器人任务规划中有着广泛的应用，包括信息收集、探测和目标跟踪等。然而，子模块最大化和通信之间的相互作用很少探讨在多机器人设置。在许多情况下，最大化子模块化目标可以以断开通信网络的方式驱动机器人。在此基础上，本文研究了连通约束下的次模函数极大化问题。具体来说，我们提出了一个问题，称为通信感知子模块最大化（CSM），其中通信维护和子模块最大化的决策过程中共同考虑。提出了一种由\textit{topology generation}和\textit{deviation minimization}两个阶段组成的启发式算法。我们通过数值模拟验证了公式和算法。我们发现，我们的算法平均只遭受轻微的性能下降相比，纯粹的贪婪策略。
2021-04-08 cs.RO
Robofleet: Open Source Communication and Management for Fleets of Autonomous Robots
University of Texas at Austin（德克萨斯大学奥斯汀分校）
长期部署移动机器人车队需要在单个机器人和远程操作员之间建立可靠安全的双向通信通道，以进行监督和任务分配。现有的开源解决方案在具有挑战性的现实世界的情况下，如间歇性和低带宽的连接性能下降，不提供安全控制选项，并可以在硬件受限的移动机器人平台上计算昂贵。在本文中，我们提出了Robofleet，一个轻量级的开源系统，它提供了机器人间的通信，远程监控，远程任务的一个舰队的ROS启用服务移动机器人的设计与实际目标的弹性网络的变化和安全控制在心中。Robofleet通过中央服务器支持多用户、多机器人通信。这种架构消除了机器人之间的重复网络流量，与原生ROS通信相比，显著降低了整体网络负载。该服务器还充当系统的单一入口点，支持安全控制和用户身份验证。单个机器人运行轻量级的Robofleet客户端，该客户端负责与Robofleet服务器交换消息。它通过背压监控和主题级优先级控制自动适应不利的网络条件，确保安全关键消息成功传输。最后，该系统还包括一个基于网络的可视化工具，可以在任何连接互联网的浏览器设备上运行，以监控和控制车队。我们将Robofleet与现有的机器人通信方法进行了比较，并证明它对网络变化提供了卓越的弹性，同时保持了超过广泛使用的系统的性能。
2021-09-02 cs.RO
A Human-friendly Verbal Communication Platform for Multi-Robot Systems: Design and Principles
Manchester Metropolitan University（曼彻斯特城市大学）；The University of Sheffield（谢菲尔德大学）
虽然多机器人系统已被广泛研究和部署，但它们的成功主要建立在对网络基础设施的依赖上，无论是有线的还是无线的。针对多机器人系统的应用与网络基础设施的依赖性脱钩的第一步，本文提出了一个人性化的多机器人系统语言交流平台，遵循自适应、透明和安全的原则。该平台是独立于网络的，因此能够在从水下到行星探索的缺乏网络基础设施的环境中发挥作用。通过一系列实验验证了该平台在多机器人系统通信和任务协调方面的能力，显示了其在无基础设施应用中的潜力。为了使社区受益，我们在https://github.com/jynxmagic/MSc_AI_project上开放了代码
2022-11-17 cs.RO
Safe Open-Loop Strategies for Handling Intermittent Communications in Multi-Robot Systems
Georgia Institute of Technology（佐治亚理工学院）
在多机器人系统中，中央决策者指定每个单独机器人的运动，通信故障会严重损害系统的性能。本文开发了一种运动策略，使机器人安全地处理这种多机器人架构的关键通信故障。对于每个机器人，所提出的算法计算的时间范围内，与其他机器人的碰撞是保证不会发生。这些安全时间范围包括在传输给各个机器人的命令中。在通信失败的情况下，机器人执行最后接收到的速度命令，对应的安全时间范围，导致可证明安全的开环运动策略。由此产生的算法是计算有效的，是不可知的机器人正在执行的任务。该策略的有效性进行了验证，在模拟以及差分驱动移动机器人的团队。
2017-02-11 cs.MA cs.RO
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
Distributed Assignment with Limited Communication for Multi-Robot Multi-Target Tracking
Virginia Tech（弗吉尼亚理工学院暨州立大学）
我们研究的问题，跟踪多个移动目标，使用移动机器人的团队。每个机器人都有一组运动基元可供选择，以便共同最大化跟踪的目标数量或跟踪的总质量。我们的重点是在通信有限的情况下，机器人有有限的时间与邻居分享信息。因此，我们寻求分布式算法，可以在有限的时间内找到解决方案。我们提出了两种算法：（1）尽管在最坏情况下需要$|R|$通信回合，但保证找到最优（集中式）解的$2$近似的贪心算法，其中$|R|$表示机器人的数量;以及（2）在$\mathcal{O}(h\log 1/ε)$通信回合中找到$\mathcal{O}\left((1+ε)(1+1/h)\right)$近似算法的局部算法。这里，$h$和$ε$是允许用户权衡解决方案质量与通信时间的参数。除了理论结果，我们提出了实证评估，包括与集中式最优解的比较。
2019-05-29 cs.RO
IMU Preintegration for Multi-Robot Systems in the Presence of Bias and Communication Constraints
本文补充说明如何在多机器人相对位姿估计框架中融入IMU偏差，同时保持微分Sylvester方程形式。
2023-10-16 cs.RO
RoboTalk: Learning Multi-Robot Communication and Coordination from Multimodal Demonstrations
University of Massachusetts（马萨诸塞大学）；University of California, Berkeley（加州大学伯克利分校）；Northeastern University（东北大学）
RoboTalk提出合成数据流水线和含7950条多模态轨迹的数据集，用于训练小型视觉语言模型在部分可观测条件下学习多机器人通信与协调，微调后在新任务上成功率从约2%提升至77%。
2026-10-09 cs.AI cs.RO
Active Target Tracking with Self-Triggered Communications in Multi-Robot Teams
Virginia Tech（弗吉尼亚理工学院暨州立大学）
研究了分布式目标跟踪中减少通信量的问题。我们专注于一组机器人被允许在环境的边界上移动的场景。他们的目标是寻找一个编队，以便最好地跟踪在环境内部移动的目标。机器人能够测量到目标的距离。分散控制策略已被提出，在过去，保证机器人渐近收敛到最优的形成。然而，现有的方法要求机器人在所有时间步与其邻居交换信息。相反，我们专注于分散策略，以减少机器人之间的通信量。我们提出了一个自触发的通信策略，决定一个特定的机器人应该寻求最新的信息，从它的邻居，当它是安全的操作可能过时的信息。我们证明了该策略渐近收敛到一个期望的形成时，目标是静止的。对于移动目标的情况下，我们提出了一个扩展，每个机器人决定其最佳的合作伙伴，以共享其测量与使用可观测性作为一个标准。我们通过仿真评估所有的方法（恒定的通信和自触发通信与集中式和分散式传感器融合）。
2018-08-23 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
AC-DC: Adaptive Communication for Scalable Dynamic Average Consensus in Multi-Robot Ergodic Search
University of Michigan（密歇根大学）；Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉珀实验室）
提出AC-DC自适应通信方法，联合调整通信对象、时机与状态内容，实现多机器人遍历搜索的可扩展动态平均一致性，相比基线降低27.5%误差且通信量减少8.7倍。
2026-09-22 cs.RO
Target Assignment in Robotic Networks: Distance Optimality Guarantees and Hierarchical Strategies
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们研究了多机器人目标分配问题，以最小化机器人行进的总距离，直到它们都达到相同数量的静态目标。在本文的前半部分，我们提出了一个必要和充分条件下，真正的距离最优可以实现有限的通信和目标感知范围的机器人。此外，我们提供了一个明确的，非渐近公式计算机器人的通信和目标感知范围与任意保证概率方面的距离最优所需的机器人的数量。同样的界限也被证明是渐近紧的。在本文的后半部分，我们提出了次优策略，当机器人的数量不能自由选择。首先假设所有的目标是已知的所有机器人，我们采用了分层通信模型，其中机器人只与其他机器人在同一分区区域进行通信。这种分层通信模型导致在温和的假设下，真正的距离最优解决方案的不断逼近。然后，我们重新审视有限的通信和传感模型。通过将简单的基于重定向的策略与分层通信模型相结合，我们获得了分散的分层策略，这些策略相对于真实距离最优性实现了恒定的近似比。仿真结果表明，该算法的逼近比仅为1.4。
2014-07-31 cs.RO
A Critical Review of Communications in Multi-Robot Systems
University of Cambridge（剑桥大学）
审查的目的。本文综述了通信格式和技术在实现多机器人系统中所起的广泛作用。我们从两个角度来探讨这一领域：机器人应用，需要通信能力，以完成任务，和网络技术，使更新和更先进的多机器人系统。最近的发现。通过这次审查，我们发现缺乏从整体上解决机器人及其使用的网络的协同设计和协同优化问题的工作。我们还强调了数据驱动和机器学习方法在发展多机器人系统通信管道中的作用。特别是，我们指的是最近的工作，偏离手工设计的通信模式，并讨论在这种情况下的“模拟到真实”的差距。摘要我们提出了机器人算法及其网络系统的发展方式的批判性观点，并提出了一种更具协同性的方法。最后，我们还确定了研究和开发的四个广泛的开放问题，同时提供了解决其中一些问题的数据驱动视角。
2022-06-19 cs.MA cs.RO
Towards Decentralized Formation of Minimum-Length Communication Networks Using Robot Swarms
University of Bristol（布里斯托大学）；University of Sheffield（谢菲尔德大学）；Technical University of Darmstadt（达姆施塔特工业大学）
提出一种完全去中心化的机器人群体框架，通过局部交互动态构建和优化通信网络，最小化网络长度并保证连通性，实验验证接近最优性能。
2026-10-07 cs.RO
With Whom to Communicate: Learning Efficient Communication for Multi-Robot Collision Avoidance
Department of Cognitive Robotics, Delft University of Technology（认知机器人学系，代尔夫特理工大学）；Autonomous Systems Lab, ETH Zurich（自主系统实验室，苏黎世联邦理工学院）
分散式多机器人系统通常通过不断广播它们的意图来执行协调的运动规划，作为应对缺乏协调所有机器人努力的中央系统的手段。特别是在复杂的动态环境中，通信所允许的协调提升对于避免协作机器人之间的碰撞至关重要。然而，一对机器人之间的碰撞风险会随着它们的运动而波动，并且并不总是需要通信。此外，持续的通信使许多在先前时间步骤中共享的仍然有价值的信息变得多余。提出了一种有效的通信方法，解决了多机器人避碰场景中“何时”和“与谁”通信的问题。在这种方法中，每个机器人都学会推理其他机器人的状态，并在请求其他机器人的轨迹计划之前考虑未来碰撞的风险。我们评估和验证所提出的通信策略在模拟与四个四旋翼，并比较它与三个基线策略：非通信，广播和基于距离的方法广播信息与四旋翼在预定义的距离。
2020-09-25 cs.AI cs.MA cs.RO
Enabling Large-scale Heterogeneous Collaboration with Opportunistic Communications
University of Pennsylvania（宾夕法尼亚大学）
本文提出 MOCHA 框架，利用 gossip 机会通信支持无持续连接条件下的大规模异构多机器人协作，并通过真实实验、仿真可扩展性评估及通信感知高空 UAV 规划集成验证其有效性。
2023-09-27 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
Computing the $k$-resilience of a Synchronized Multi-Robot System
University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Seville（塞维利亚大学）；University of Denver（丹佛大学）
研究了多机器人系统覆盖策略设计中的一个优化问题。考虑一组$n$协作机器人沿着预定的封闭且不相交的轨迹行进。每个机器人都需要定期与附近的机器人进行信息通信。在两个轨迹在彼此范围内的地方，建立通信链路，允许两个机器人交换信息，只要它们是“同步的”，即，他们同时访问链接。在这种设置中，定义了通信图，并且如果每对邻居都同步，则机器人系统被称为\emph{synchronized}。如果一个或多个机器人离开系统，那么一些轨迹将无人看管。为了在同步系统中处理这种情况，当现场机器人到达通信链路并检测到邻居的不存在时，它转移到相邻的轨迹以承担无人值守的任务。如果足够多的机器人离开，可能会发生一个活的机器人进入\emph{starvation}状态，在飞行期间无法永久地与其他机器人相遇。为了测量系统在这种现象下的容忍度，我们将\emph{$k$-resilience}定义为移除可能导致$k$幸存机器人进入饥饿状态的机器人的最小数量。我们表明，计算的$k$弹性的问题是NP难的，如果$k$是输入的一部分，即使通信图是一棵树。我们提出的算法来计算$k$ -弹性的$k$在一般的通信图中的常数值，并显示更有效的算法，其通信图是一棵树的系统。
2017-07-22 cs.RO
Learning Decentralized Controllers for Robot Swarms with Graph Neural Networks
University of Pennsylvania（宾夕法尼亚大学）
我们考虑的问题，发现分布式控制器的大型网络的移动机器人与互动的动态和稀疏可用的通信。我们的方法是学习本地控制器，只需要本地的信息和通信在测试时，通过模仿集中式控制器在训练时使用全局信息的政策。通过扩展聚合图神经网络随时间变化的信号和随时间变化的网络支持，我们学习一个单一的共同的本地控制器，利用信息从遥远的队友只使用本地通信交换。我们将这种方法应用于群集问题，以展示随着机器人移动而变化的通信图上的性能。我们研究如何减少通信半径和更快的速度增加多跳信息的价值。
2021-03-24 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
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
Fast Biconnectivity Restoration in Multi-Robot Systems for Robust Communication Maintenance
University of Maryland, College Park（马里兰大学帕克分校）
针对多机器人在故障下的通信拓扑修复需求，本文研究 FBR 问题，给出 QCP 最优表述并提出基于图论的近似算法，实验表明其接近最优且显著优于现有方法。
2024-04-08 cs.RO
Multi-Robot Rendezvous in Unknown Environment with Limited Communication
Shanghai Jiao Tong University（上海交通大学）
针对未知环境中多机器人会合难题，提出PIER分区不完全探索策略与基于合并拓扑地图的会合点选择算法，通过极少通信实现相对位姿估计和高效会合，并经仿真与真实实验验证。
2024-12-03 cs.RO
Safe Distributed Control of Multi-Robot Systems with Communication Delays
Delft Center for Systems and Control (DCSC), Delft University of Technology（代尔夫特系统与控制中心（DCSC），代尔夫特理工大学）；Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology（信息与决策系统实验室（LIDS），麻省理工学院）
针对通信延迟下多机器人系统的安全运行问题，提出分布式控制屏障函数概念与基于预测器的训练框架，通过图神经网络学习安全控制器，显著提升了延迟环境下的避障安全性。
2025-05-20 cs.RO
Communication-Free Distributed Multi-Robot Task Allocation under Partial Observations Using Labeled Multi-Bernoulli Filtering
National Institute of Advanced Industrial Science and Technology (AIST)（国立产业技术综合研究所（AIST））
本文提出一种基于局部观测和标记多伯努利滤波的无通信多机器人任务分配框架，通过贪婪拍卖策略实现分布式协调，蒙特卡洛仿真验证了其在杂波和不确定性下的有效性。
2026-10-01 cs.RO cs.SY eess.SY
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
Multi-Robot Target Tracking with Sensing and Communication Danger Zones
Georgia Institute of Technology（佐治亚理工学院）；Drexel University（德雷塞尔大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）
针对危险环境中的多机器人目标跟踪问题，提出规避感知与通信危险区域的策略及多智能体跟踪框架，并通过仿真和真实实验验证其有效性。
2024-12-16 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
Hardware-in-the-Loop Simulation for Evaluating Communication Impacts on the Wireless-Network-Controlled Robots
Zhejiang University（浙江大学）；Royal Institute of Technology (KTH)（皇家理工学院（KTH））；ABB Corporate Research Sweden（瑞典ABB公司研究院）
针对无线通信对机器人系统影响的评估需求，提出一种接入真实网络设备的硬件在环仿真方法，无需大幅修改原控制器即可实验，在两类典型机器人场景下验证其能得到更贴合实际的通信影响评估结果。
2022-09-28 cs.AR cs.RO
ROMANO: A Novel Overlay Lightweight Communication Protocol for Unified Control and Sensing of a Network of Robots
University of Southern California（南加州大学）
我们提出的机器人覆盖communicAtioN协议（ROMANO），一个轻量级的，应用层覆盖通信协议的异构机器人网络的统一传感和控制抽象主要包括低功耗，低计算能力的机器人。ROMANO被构建为与众所周知的MQ传感器节点遥测传输（MQTT-SN）协议结合使用，MQTT-SN协议是物联网的轻量级订阅通信协议，并利用其“主题”的概念来通过改变每个设备的主题订阅来指定通信端点的添加和删除。我们还开发了一个便携式实现的ROMANO低功耗IEEE 802.15.4（Zigbee）无线电，并部署在一个小型的测试平台上的商用，低功耗，低计算能力的机器人称为Pololu 3pi机器人。基于一个彻底的分析，在真正的测试平台上的协议，作为衡量吞吐量，我们证明，ROMANO可以保证超过$99.5\%$的消息传递率的消息生成速率高达每秒200条消息。ROMANO中的单跳延迟低至20 ms，与连接的机器人数量呈线性相关。这些延迟数字与802.15.4网络中的典型延迟一致，并表明ROMANO不会引入额外的延迟。最后，我们实现了四个不同的多机器人应用程序，以证明ROMANO的可扩展性，适应性，易于集成和可靠性。
2017-09-22 cs.NI 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
Decentralized Learning With Limited Communications for Multi-robot Coverage of Unknown Spatial Fields
Princeton University（普林斯顿大学）
本文提出了一种算法，一组移动机器人同时学习一个域上的空间场，并在空间上分布自己，以最佳地覆盖它。借鉴以往的方法，估计空间场通过一个集中的高斯过程，这项工作利用了覆盖问题的空间结构，并提出了一种分散的策略，通过建立跨越边界的通信，在本地聚集样本一个Voronoi分区。我们提出了一种算法，每个机器人运行一个本地高斯过程计算从自己的测量和提供的Voronoi邻居，这是纳入个别机器人的高斯过程，只有当他们提供足够新颖的信息。该算法的性能进行了评估，在模拟和集中式的方法相比。
2022-08-03 cs.MA cs.RO
DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication
University of California, Davis（加州大学戴维斯分校）；Microsoft Research（微软研究院）；Analog Devices（亚德诺半导体）
提出DuoMind分布式分层框架，通过VLM编排器与VLA动作模型结合语义通信实现多机器人长期任务协调，并构建RoboPoly基准验证性能提升。
2026-10-02 cs.AI cs.RO
A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops
University of Pennsylvania（宾夕法尼亚大学）
针对大型环境中机器人群体协作因感知和通信能力有限面临的挑战，提出一种基于去中心化异步感知-行动-通信循环的可扩展框架，利用聚合GNNs实现高效协作覆盖，提升实际应用适应性。
2026-09-24 cs.AI cs.RO
Multi-Robot Active Information Gathering with Periodic Communication
University of Hamburg（汉堡大学）；Tampere University of Technology（坦佩雷理工大学）
共享共同目标的机器人团队可以从团队成员的活动协调中受益，帮助团队更可靠或更快地达到目标。我们解决的问题，协调一个团队的机器人定期通信能力执行信息收集任务的行动。我们铸造的问题作为一个多智能体的最优决策问题的信息理论的目标函数。我们表明，适当的技术解决分散的部分可观察马尔可夫决策过程（Dec-POMDPs）是适用于这样的信息收集问题。我们量化的有用性协调信息收集通过仿真研究，并证明了该方法在现实世界中的目标跟踪域的可行性。
2017-03-07 cs.AI cs.RO
Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning
New York University（纽约大学）；University of California Berkeley（加州大学伯克利分校）
本文提出一种分层框架，结合图注意力规划器和分布式非线性模型预测控制器，以解决多机器人在通信受限环境下同时分配目标和生成安全轨迹的问题，通过图神经网络方法实现可扩展的去中心化解决方案。
2026-08-05 cs.MA cs.RO
CoCoL: A Communication Efficient Decentralized Collaborative Method for Multi-Robot Systems
College of Control Science and Engineering, Zhejiang University（控制科学与工程学院，浙江大学）；Division of Decision and Control Systems, KTH Royal Institute of Technology（决策与控制系统系，皇家理工学院）
本文提出 CoCoL，一种基于镜像下降和梯度跟踪的通信高效去中心化多机器人协作学习方法，在非独立同分布、流数据和时变拓扑场景下显著降低通信开销并保持领先精度。
2025-08-28 cs.LG cs.MA cs.RO
Multi-robot Deployment From LTL Specifications with Reduced Communication
Technical University “Gheorghe Asachi” of Iasi（“格奥尔基·阿萨奇”雅西技术大学）；Boston University（波士顿大学）
提出一种分层框架，通过有限抽象、并行组合和运动规划，将全局LTL规范自动部署到多独轮车机器人团队，并重点设计算法减少执行阶段的机器人间通信。
2011-08-16 cs.RO cs.SY eess.SY
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
Service Discovery-Based Hybrid Network Middleware for Efficient Communication in Distributed Robotic Systems
Huaiyin Institute of Technology（淮阴工学院）；Chery Automobile Co., Ltd.（奇瑞汽车股份有限公司）
本文提出RIMAOS2C中间件，通过多级服务发现组播支持多种通信模式，优化数据传输效率并减少延迟不确定性，提升自动驾驶系统通信性能。
2026-03-28 cs.DC cs.NI cs.RO
On Multi-Human Multi-Robot Remote Interaction: A Study of Transparency, Inter-Human Communication, and Information Loss in Remote Interaction
Worcester Polytechnic Institute（伍斯特理工学院）
在本文中，我们研究如何设计一个有效的接口，远程多人多机器人交互。虽然有显着的研究存在于个人操作员的接口，很少有研究存在的多人的情况下。然而，这是一个关键的问题，以解决复杂的，大规模的任务，其中直接的人类参与是不可能的或不可取的，和机器人群作为一个半自主智能体。本文的贡献是双重的。第一个贡献是多人多机器人操作的基于计算机的界面的设计空间的探索。特别是，我们专注于信息透明度和在理想条件下影响人际沟通的因素，即，没有沟通问题。我们的第二个贡献涉及同样的问题，但考虑到信息丢失的程度越来越大，定义为间歇性接收数据与个人收据之间的明显差距。我们得出了一套设计建议的基础上，两个用户研究涉及48名参与者。
2021-02-04 cs.MA cs.RO
Epistemic Prediction and Planning with Implicit Coordination for Multi-Robot Teams in Communication Restricted Environments
University of Virginia（弗吉尼亚大学）
针对通信受限下多机器人断连会合问题，提出基于动态认知逻辑的协调认知预测与规划框架，无需通信即可实现信念传播与隐式协调，完成探索、任务及会合。
2023-02-21 cs.AI cs.RO
Multi-Robot Target Search using Probabilistic Consensus on Discrete Markov Chains
Arizona State University（亚利桑那州立大学）；University of California, Los Angeles（加州大学洛杉矶分校）
在本文中，我们提出了一个基于概率共识的多机器人搜索策略，是强大的通信链路故障，因此是适合受灾地区。机器人，只能本地通信，探索有界的环境，根据离散时间离散状态（DTDS）马尔可夫链建模的随机行走，并与相邻的机器人交换信息，从而在一个随时间变化的通信网络拓扑结构。所提出的策略被证明是实现共识，这里定义为协议的存在一个静态的目标，没有假设的通信网络的连接。使用数值模拟，我们调查的机器人人口的大小，域的大小，和信息的不确定性的共识时间统计在这个计划下的效果。我们还验证了我们的理论结果与3D物理为基础的模拟在Gazebo。仿真结果表明，所有的机器人在有限的时间内达成共识，提出的搜索策略在一定范围内的机器人密度的环境。
2020-09-20 cs.MA cs.RO
Bringing Network Coding into Multi-Robot Systems: Interplay Study for Autonomous Systems over Wireless Communications
Viterbi Faculty of Electrical and Computer Engineering, Technion–Israel Institute of Technology（电气与计算机工程学院，技术学院–以色列理工学院）
研究探讨了网络编码在多机器人系统中的应用，通过案例分析展示其在提升通信可靠性和任务执行效率方面的优势。
2026-07-17 cs.MA cs.NI cs.RO
Task-Oriented Connectivity for Networked Robotics with Generative AI and Semantic Communications
Bristol Research and Innovation Laboratory, Toshiba Europe Ltd.（东芝欧洲有限公司布里斯托尔研究与创新实验室）
本文提出一种结合目标导向语义通信与生成式AI智能体的网络化机器人协同框架，通过多机器人异常检测仿真验证其能在显著降低数据流量的同时保留关键语义并实现任务协调与网络自适应。
2025-03-09 cs.LG cs.NI cs.RO
PheroCom: Decentralised and asynchronous swarm robotics coordination based on virtual pheromone and vibroacoustic communication
Federal University of Uberlândia（乌贝兰迪亚联邦大学）
生物启发的方法所使用的stigmergic物质的动态表示和控制是一个挑战，当应用于机器人。为了克服这一挑战，这项工作提出了一个模型，以协调机器人群的基础上虚拟化和控制这些物质在本地范围内。该模型提出了一种新的信息素建模，使分散和导航决策的精确性。每个机器人保持一个独立的虚拟信息素地图，这是不断更新的机器人的存款和信息素蒸发。此外，个体信息素地图也通过聚合来自正在探索附近区域的其他机器人的信息来更新。因此，个体和独立的地图取代了控制和分发信息素信息的集中代理的需要，这并不总是可行的。信息素信息传播的灵感来自蚂蚁的振动声通信，而振动声通信的特征在于通过一种八卦协议的间接通信。该模型进行了评估，通过代理模拟软件，实现了作者，并在Webots平台。实验进行了验证模型在不同的环境中，具有不同的形状和大小，以及不同的机器人的数量。结果分析表明，该模型能够执行群体的协调，机器人表现出表现力的执行监视任务的性能。
2022-02-27 cs.AI cs.MA cs.NE
Robust Multi-Robot Active Target Tracking Against Sensing and Communication Attacks
University of Pennsylvania（宾夕法尼亚大学）
多机器人目标跟踪问题要求主动规划机器人的关节运动来跟踪目标。在本文中，我们专注于这样的目标跟踪问题在对抗性的环境中，攻击或故障可能会使机器人的传感器和通信。与以前只考虑不攻击或传感攻击的工作相比，我们正式提出了第一个鲁棒的多机器人跟踪框架，该框架考虑了任何固定数量的最坏情况下的传感和通信攻击。为了防止这种攻击，我们设计了第一个强大的规划算法，名为鲁棒主动目标跟踪（RATT），它近似的通信攻击等效的传感攻击，然后优化对近似和原始传感攻击。我们表明，RATT提供了可证明的次优界的跟踪质量的任何非递减的目标函数。我们的分析利用曲率的符号集函数引入组合优化。此外，RATT在多项式时间中运行，并且以与用于（非鲁棒）目标跟踪的最新算法相同的运行时间终止。最后，我们评估RATT在各种情况下的定性和定量模拟。在评估中，RATT表现出的跟踪质量是接近最佳的，优于不同的非鲁棒性算法。我们还证明了RATT的优越性和鲁棒性对不同的攻击模型（例如，最坏情况和有界理性攻击）。
2021-09-20 cs.DS cs.GT cs.MA
Can you pass that tool?: Implications of Indirect Speech in Physical Human-Robot Collaboration
University of Melbourne（墨尔本大学）；The University of Queensland（昆士兰大学）
本文通过 N=36 的 Wizard-of-Oz 实验研究间接言语行为对物理人机协作的影响，发现机器人理解 ISAs 可提升拟人感、团队绩效与信任，但其效果依赖任务与情境。
2025-02-17 cs.HC cs.RO
Indirect Object-to-Robot Pose Estimation from an External Monocular RGB Camera
NVIDIA（英伟达）
我们提出了一个机器人抓取系统，使用一个单一的外部单目RGB相机作为输入。通过组合两个神经网络的输出来间接计算物体到机器人的姿态：一个估计物体到相机的姿态，另一个估计机器人到相机的姿态。这两个网络都完全基于合成数据进行训练，依靠域随机化来弥合模拟与真实之间的差距。由于后者网络执行在线摄像机校准，因此摄像机可以在执行过程中自由移动，而不会影响抓取质量。实验结果分析了摄像机的位置，图像分辨率和姿势细化的情况下，抓住几个家庭对象的效果。我们还提出了一套新的28纹理的家用玩具杂货店的对象，已被选定为其他研究人员访问的结果。为了帮助研究的可重复性，我们提供了3D扫描纹理模型，以及用于姿态估计的预训练权重。
2020-08-26 cs.RO
CADeT: Causal-Aware Deformation Transmission for Indirect Robotic Manipulation of Soft Tissue
University of Leeds（利兹大学）
针对机器人辅助微创手术中软组织间接操作的模糊性问题，提出因果感知变形传递框架CADeT，结合结构因果模型与主动感知，实现模式识别与形状控制，验证中优于基线。
2026-10-01 cs.RO
