Human-Robot Trust Integrated Task Allocation and Symbolic Motion planning for Heterogeneous Multi-robot Systems
Clemson University（克莱姆森大学）
针对多机器人系统（MRS）并发执行任务的问题，提出了一种人机信任集成的任务分配和运动规划框架。一组并行的任务规范与MRS相结合，合成一个任务分配自动机。任务分配自动机的每一次转换都与人类对相应机器人的总信任值相关联。在这里，人与机器人的信任模型的构建与动态贝叶斯网络（DBN）考虑个人机器人的性能，安全系数，人类认知工作量和任务分配的整体评价。因此，可以基于任务分配自动机中每个机器人的当前信任值来搜索具有最大编码的人-机器人信任的任务分配路径。每个机器人在获得动作序列后，执行符号运动规划（SMP）。任务分配路径可以间歇地更新与此DBN的信任模型。通过5个机器人和3个并行子任务自动机的仿真，证明了整体策略。
2018-10-26 cs.MA cs.RO
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
Multi-Robot Coordinated Planning in Confined Environments under Kinematic Constraints
Virginia Tech（弗吉尼亚理工学院）；University of Maryland（马里兰大学）
我们调查的问题，多机器人协调规划的环境中，机器人可能要在彼此接近的操作。我们寻求计算效率高的规划者，以确保安全的路径和遵守运动学约束。我们扩展了中央规划dRRT* 与我们的变体，快速dRRT（fdRRT），目的是在紧张的环境中使用，导致高度的机器人之间的耦合。经验表明，我们的算法实现了计算时间和解决方案质量之间的权衡，特别是在紧张的环境中。
2019-10-07 cs.MA cs.RO
Scalable Asymptotically-Optimal Multi-Robot Motion Planning
Rutgers University（罗格斯大学）；Tel Aviv University（特拉维夫大学）
在多机器人运动规划问题中寻找渐近最优路径，原则上可以在空间中所有机器人的复合配置空间中使用基于采样的规划器来实现。这个空间的维数随着机器人的数量而增加，使得这种方法不切实际。这项工作的重点是耦合多机器人问题，提供渐近最优的可扩展的基于采样的规划。它扩展了dRRT方法，该方法提出为每个机器人构建路线图，并在复合配置空间中搜索隐式路线图。这项工作提出了一种新的方法，dRRT *，并发展理论的可扩展收敛到多机器人问题的最佳路径。模拟实验表明，dRRT * 收敛到高质量的路径，同时扩展到更高数量的机器人，其中天真的方法失败。此外，dRRT * 适用于高维问题，例如机器人操作器的规划
2017-07-03 cs.MA cs.RO
Quick Multi-Robot Motion Planning by Combining Sampling and Search
National Institute of Advanced Industrial Science and Technology (AIST)（国立先进工业科学技术研究所（AIST））；University of Cambridge（剑桥大学）；Tokyo Institute of Technology（东京工业大学）
针对传统多机器人运动规划两阶段模式效率偏低的问题，提出同步采样-搜索规划算法SSSP，同步开展路线图构建与路径搜索，在多场景下显著优于标准方法，可支持密集场景32台地面机器人规划。
2023-05-05 cs.MA cs.RO
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
Semi-centralized control for multi-robot formation and theoretical lower bound
Tsinghua National Laboratory for Information Science and Technology（清华大学信息科学与技术国家实验室）；Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；Hong Kong University of Science and Technology（香港科技大学）
多机器人编队控制使机器人能够作为一个工作组协同完成复杂的任务，在民用和军事领域都有着广泛的应用。在移动到给定的编队之前，每个机器人应该从编队中选择一个位置，以便使整个系统的成本最小化。为了解决这个问题，我们制定了一个优化问题的总移动距离，并给出了解决方案的匈牙利方法。为了分析实际编队与理想编队的偏差，基于信息论的概念，得到了编队偏差关于系统参数的下界。作为推广，我们讨论了不同的编队之间的转换方法。得到了一些理论结果，为系统设计提供了指导。
2017-09-12 cs.RO
Decentralized Task and Path Planning for Multi-Robot Systems
Caltech（加州理工学院）
我们考虑一个多机器人系统与一个团队的协作机器人和多个任务，随着时间的推移出现。我们提出了一个完全分散的任务和路径规划（DTPP）的框架组成的任务分配模块和本地化的路径规划模块。每个任务被建模为马尔可夫决策过程（MDP）或混合观察马尔可夫决策过程（MOMDP），这取决于是否完整的状态或部分状态是可观察的。任务分配模块的目标是最大化机器人团队的预期纯回报（回报减去成本）。我们将马尔可夫模型融合到一个因子图公式中，以便使用最大和算法分散解决任务分配问题。每个机器人代理遵循最优的策略合成的马尔可夫模型，我们提出了一个本地化的前向动态规划计划，解决代理之间的冲突，避免碰撞。所提出的框架与高保真ROS模拟和实验与多个地面机器人。
2020-11-19 cs.MA cs.RO
Multi-Robot Learning-Informed Task Planning Under Uncertainty
Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系）
本文提出一种多机器人规划方法，结合学习估计不确定环境因素与基于模型的长期协调规划，以高效完成复杂任务。
2026-03-20 cs.MA 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
Decentralized Task Allocation in Multi-Robot Systems via Bipartite Graph Matching Augmented with Fuzzy Clustering
University at Buffalo（布法罗大学）
机器人系统作为一个团队一起工作，正在成为从灾难响应到仓库履行服务等不同现实世界应用中的重要参与者。用于协调多机器人团队的集中式解决方案通常存在可扩展性差和通信中断的脆弱性。本文提出了一种分散式多智能体任务分配（Dec-MATA）算法的多机器人应用。任务规划问题是作为一个最大加权匹配的二分图，使用开花算法的解决方案，使每个机器人自主识别的最佳序列的任务，它应该承担。基于软聚类过程确定图的权重，软聚类过程也起到了问题分解的作用，以降低个体Agent任务分配问题的复杂性。为了评估新的Dec-MATA算法，进行了一系列的案例研究（不同的复杂性），任务随机分布在一个可观察的2D环境。一个集中的方法，一个国家的最先进的MILP制定的多旅行商问题的基础上进行比较分析。在集中式算法获得的最优成本的7-28%范围内，Dec-MATA算法被发现比集中式算法快1-3个数量级，并且对任务与机器人比率的敏感性最低。
2018-07-20 cs.AI cs.MA cs.RO
Centralization vs. decentralization in multi-robot sweep coverage with ground robots and UAVs
M.K. Heinrich, IRIDIA, Universit\' e Libre de Bruxelles, Brussels, Belgium A. Jamshidpey University of Ottawa, Ottawa, Canada M. Wahby Reverse Labs, Amsterdam, The Netherlands
本文针对地面机器人与无人机协同清扫覆盖任务，比较五种集中、分散及混合控制结构在覆盖质量、时间、可扩展性和容错性上的权衡。
2025-08-29 cs.RO
Scalable Multi-Robot Collaboration with Large Language Models: Centralized or Decentralized Systems?
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
本研究比较了四种多智能体通信框架在多机器人任务中的表现，发现混合框架在任务成功率和token效率上均优于集中式和分散式系统，并能更好地扩展至更多智能体。
2024-03-22 cs.RO
OneVision: Centralized to Distributed Controller Synthesis with Delay Compensation
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一种新的算法，以简化分布式机器人系统的控制器开发受到外部观测，干扰和通信延迟。与以前的方法，提出专门的解决方案来处理特定的机器人应用程序的通信延迟，我们的算法使用任意的集中式控制器作为规范，并自动生成分布式控制器与通信管理和延迟补偿。我们将我们的目标表述为非线性最优控制--使用后悔最小化目标来衡量分布式代理的行为与无延迟集中式响应的不同程度--并求解最优行动w.r.t.使用基于梯度的优化对该目标进行局部估计。我们分析了我们提出的算法的线性时不变的特殊情况下的行为，并证明了闭环动态满足一种形式的输入到状态稳定w.r.t.意想不到的干扰和观察。我们在模拟和现实世界的机器人任务的实验结果表明，我们的方法的实际用途，并显示出显着的改善，几个基线方法。
2021-04-14 cs.MA cs.RO cs.SY
Distributing Collaborative Multi-Robot Planning with Gaussian Belief Propagation
Imperial College London（帝国理工学院）
当许多机器人必须在狭小的空间中一起工作时，前向时间窗口上的精确协调规划可以实现安全和高效的运动，但这通常需要对所有设备进行集中控制，这很难扩展。我们展示了GBP规划，一个新的纯分布式技术的基础上高斯置信传播的多机器人规划问题，制定了一个通用的因素图定义动态和碰撞约束在一个向前的时间窗口。在模拟中，我们表明，我们的方法允许高性能的协作规划，机器人能够在繁忙，复杂的场景中相互交叉。即使在通信故障的情况下，它们也比其他分布式规划技术保持更短，更快和更平滑的轨迹。我们鼓励读者在https://youtu.be/8VSrEUjH610上观看随附的视频演示。
2023-01-26 cs.AI cs.MA cs.RO
Multi-robot Path Planning in Well-formed Infrastructures: Prioritized Planning vs. Prioritized Wait Adjustment (Preliminary Results)
Peoples’ Friendship University of Russia (RUDN University)（俄罗斯人民友谊大学（RUDN大学））；Federal Research Center “Computer Science and Control” of Russian Academy of Sciences（俄罗斯科学院“计算机科学与控制”联邦研究中心）；National Research University Higher School of Economics（高等经济学院国家研究大学）
研究了一类同质机器人的无碰撞路径规划问题。我们提出了一种新的方法，用于将机器人自我中心地规划的路径，例如，不考虑其他机器人的移动，变成无碰撞的轨迹，并根据经验进行评估。建议的算法比最先进的算法快得多（高达一个数量级），但这是以解决方案成本显著下降为代价的。
2018-07-05 cs.AI cs.MA cs.RO
Encoding Reusable Multi-Robot Planning Strategies as Abstract Hypergraphs
Rice University（莱斯大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；ITAM（墨西哥自治技术学院）
本研究针对多机器人任务规划复杂度高、难在线求解的问题，结合DaSH超图框架与抽象学习技术，将单机器人策略学习方法扩展至多机器人场景以提升规划效率。
2024-09-16 cs.AI cs.MA cs.RO
Distributed Attack-Robust Submodular Maximization for Multi-Robot Planning
Virginia Tech（弗吉尼亚理工大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Michigan（密歇根大学）；University of Maryland（马里兰大学）
在本文中，我们设计的算法来保护群集机器人应用程序对传感器拒绝服务（DoS）攻击的机器人。我们专注于需要机器人联合选择动作的应用，例如，从一组可用的轨迹中选择要遵循的轨迹这样的应用是大规模机器人应用的核心，例如用于目标跟踪的多机器人运动规划。但目前的攻击鲁棒算法都是集中式的。在本文中，我们提出了一个通用的分布式算法，以强大的规模优化，只有本地通信。我们称之为分布式鲁棒最大化（DRM）。DRM提出了一种分而治之的方法，分布式分区之间的机器人集团的问题。然后，集团并行优化，彼此独立。我们证明DRM实现了接近最佳的性能。我们证明DRM的性能在凉亭和MATLAB模拟，在场景中的主动目标跟踪与成群的机器人。在仿真中，DRM实现了计算速度的提升，比集中式算法快1-2个数量级;然而，它几乎与集中式算法的跟踪性能相匹配。由于DRM高估了每个集团中的攻击数量，本文还介绍了一种改进的分布式鲁棒最大化（IDRM）算法。IDM通过利用3跳相邻通信来推断每个集团中的攻击数量，比DRM更不保守。我们验证了IDRM提高DRM的性能在模拟。
2022-03-18 cs.AI cs.MA cs.RO
Optimal Integrated Task and Path Planning and Its Application to Multi-Robot Pickup and Delivery
IIT Kanpur（印度理工学院坎普尔分校）；Jupiter Money（木星金融）；MPI-SWS（马克斯·普朗克软件系统研究所）；Ericson Research（爱立信研究院）
本文提出融合最优任务规划与路径规划的多机器人机制，借助Z3求解SMT任务规划并扩展CBS-PC生成无碰撞轨迹，在仓库取放任务中优于现有经典规划器。
2024-03-02 cs.AI cs.MA cs.RO
Scalable Multi-robot Motion Planning for Congested Environments With Topological Guidance
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Texas A&M University（德克萨斯A&M大学）
本研究将拓扑引导的单机器人运动规划扩展到多机器人领域，在拥挤狭窄环境中实现高效可扩展规划，支持比现有方法大25倍的团队规模，并生成更优路径。
2023-05-25 cs.AI cs.MA cs.RO
Multi-Robot Motions in Milliseconds: Vector-Accelerated Primitives for Sampling-Based Planning
Parasol Lab, School of Computing and Data Science, University of Illinois at Urbana Champaign（帕索尔实验室，计算与数据科学学院，伊利诺伊大学厄巴纳-香槟分校）；Department of Computer Science at Instituto Tecnológico Autónomo de México (ITAM)（墨西哥自治理工学院（ITAM）计算机科学系）
本文扩展了Vector-Accelerated Motion Planning框架，开发了多机器人MotionValidation和FindFirstConflict原语，利用SIMD并行性实现多机器人运动规划的高效验证与冲突检测，显著提升规划效率。
2026-08-07 cs.RO
Long-Horizon Multi-Robot Rearrangement Planning for Construction Assembly
University of Stuttgart（斯图加特大学）；TU Berlin（柏林工业大学）；Bilkent University（比尔肯特大学）
针对建筑装配中大规模异构机器人团队的长时域协作问题，提出迭代分解子问题并结合优化与双向时空采样规划的多机器人重排规划系统，验证了鲁棒性、可扩展性和真实机械臂执行可行性。
2022-03-07 cs.RO
Learning Safe Unlabeled Multi-Robot Planning with Motion Constraints
University of Pennsylvania（宾夕法尼亚大学）；Nuro（Nuro公司）
在本文中，我们提出了一种学习方法的目标分配和轨迹规划的无标签机器人在2D，充满障碍的机器人。更具体地说，我们解决了无标记的多机器人运动规划问题的运动约束的多智能体强化学习问题与一些稀疏的全球奖励。与以前的作品，制定一个全新的手工制作的优化成本或轨迹生成算法不同的机器人动态模型相比，我们的框架是一个通用的方法，适用于任意机器人模型。此外，通过使用速度障碍，我们设计了一个平滑的投影，保证碰撞的自由轨迹的所有机器人相对于他们的邻居和障碍。我们的算法的有效性，通过不同的模拟证明。
2019-07-11 cs.RO
D-CLIPSE: Distributed Consensus-based Localization with Passive Listening on Shared State Exchange
研究多机器人定位问题，提出基于分布式共识的滤波框架，通过共享预积分里程计和相关共享状态实现定位，在模拟和实验中验证，精度和一致性接近集中式方法，优于当前分散式方法。
2026-07-10 cs.RO
CAST: Collision-Aware Assembly with Construction Robots using Simultaneous Trajectory Estimation and Planning
Georgia Institute of Technology（佐治亚理工学院）
本文提出CAST框架，利用单一因子图同时进行轨迹估计与规划，处理施工多机器人系统中的碰撞避免和缆绳约束，并在柱梁结构建造中验证了其有效性。
2026-09-22 cs.RO
Multi-Robot Task Planning under Individual and Collaborative Temporal Logic Specifications
Zhejiang University（浙江大学）
本文研究了多机器人任务协调问题，其中每个机器人都有一个私有的时态逻辑任务规范，同时还必须共同满足一个全局给定的协作时态逻辑任务规范。为了有效地生成可行的和优化的任务执行计划的机器人，我们提出了一个分层的多机器人的时间任务规划框架，在该框架中，一个中央服务器分配的协作任务的机器人，然后单独的机器人可以独立地合成他们的任务执行计划在一个分散的方式。此外，我们提出了一个执行计划调整机制，允许机器人迭代修改他们的执行计划，通过隐私保护的智能体通信，以提高预期的实际执行性能，减少等待时间的机器人合作。分析了该方法的正确性和有效性，并通过大量的仿真实验进行了验证。
2021-08-27 cs.RO
Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems
UC Santa Barbara（加州大学圣芭芭拉分校）；Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；Cisco Research（思科研究）
本文提出了一种混合多机器人控制框架，通过引入路标和课程训练策略，解决多机器人任务和运动规划的联合优化问题，提升了任务成功率。
2026-04-22 cs.AI cs.RO
Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行，这提供了有关单个机器人行为的更详细信息，但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具，我们展示了如何生成一系列的多机器人策略，如果单个机器人失败，则迭代地改进它们以重新分配任务，并提供概率保证机器人团队的性能（和安全操作）。我们实现我们的方法，并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
Distributed Planning for Rigid Robot Formations using Consensus on the Transformation of a Base Configuration
Technical University of Denmark（丹麦技术大学）
针对杂乱环境中的刚性多机器人编队导航问题，提出一种基于基础构型变换一致性的去中心化分布式规划方法，可保证编队约束并具备反应式规划所需的运行时效率。
2023-07-14 cs.RO cs.SY eess.SY
Scalable Distributed Planning for Multi-Robot, Multi-Target Tracking
NASA Jet Propulsion Laboratory (JPL)（美国国家航空航天局喷气推进实验室）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
在多机器人多目标跟踪中，机器人协调监视在环境中移动的目标群。我们的做法规划这样的情况下，制定一个滚动时域，多机器人传感问题的互信息目标。这类问题一般都是NP难问题。然而，我们的目标是次模块化，使某些贪婪的规划，以保证常数因子次优。然而，这些贪婪的规划者要求机器人按顺序规划他们的行动，一次一个机器人，所以规划时间至少与机器人的数量成正比。对于大型团队来说，解决这些问题变得非常棘手，即使是分布式实现。我们以前的工作提出了一个分布式规划器（RSP），它减少了这个顺序步骤的数量为常数，即使是大量的机器人，通过允许机器人并行计划，而忽略一些其他的决定。虽然该分析是不适用于目标跟踪，我们证明了类似的保证，RSP规划方法的性能保证完全顺序的规划者，采用一种新的约束，利用目标运动的独立性，量化机器人的观察和行动之间的有效冗余。此外，我们提出的分析，明确占实际实施的功能，包括近似的目标和随时规划。仿真结果-可通过开放源代码发布-与测距传感器的目标跟踪表明，我们的规划者一贯的做法的性能顺序规划（在位置不确定性方面），只有2- 8规划步骤和多达96个机器人的顺序步骤的数量减少了24倍的规划。因此，这项工作使得规划多机器人目标跟踪易于处理，在更大的规模比以前，为实际的规划者和一般的跟踪问题。
2021-07-18 cs.RO cs.SY eess.SY
Fully Distributed Informative Planning for Environmental Learning with Multi-Robot Systems
Seoul National University（首尔大学）；Samsung Electronics（三星电子）
提出了一种完全分布式的协同环境学习算法。多机器人系统比单个机器人更有效地进行探索任务，但它涉及以下挑战：1）使用多个机器人在线分布式学习环境地图; 2）基于学习的地图生成安全有效的探索路径;以及3）相对于机器人数量的可扩展性的保持。为此，我们将整个过程分为环境学习和路径规划两个阶段。分布式算法应用于每个阶段，并通过相邻机器人之间的通信组合。环境学习算法使用分布式高斯过程，路径规划算法使用分布式蒙特卡罗树搜索。因此，我们建立了一个可扩展的系统，而没有机器人数量的限制。仿真结果证明了该系统的性能和可扩展性。此外，一个真实世界的基于网络的模拟验证了我们的算法在一个更现实的情况下的效用。
2021-12-29 cs.RO cs.SY eess.SY
A Hybrid Evolutionary Approach for Multi Robot Coordinated Planning at Intersections
Graduate School of Advanced Science and Engineering（先进科学与工程研究生院）；Hiroshima University（广岛大学）
针对交叉口多机器人协调规划中高维构型空间搜索昂贵的问题，提出融合参数化晶格构型、离散RRT与进化机制的无碰撞规划算法，并在复杂场景中优于七种相关方法。
2024-12-02 cs.AI cs.NE cs.RO
Machine Learning Based Relative Orbit Transfer for Swarm Spacecraft Motion Planning
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加利福尼亚理工学院）
在本文中，我们描述了一个基于机器学习的航天器群轨迹规划框架。特别是，我们专注于协调运动的多航天器编队飞行通过被动相对轨道（PRO）转移。考虑航天器动力学，同时避免代理之间的碰撞，使航天器群轨迹规划困难。集中式方法可以用来解决这个问题，但计算要求高，并且随着群中代理的数量而扩展性差。其结果是，集中式算法不适合实时的轨迹规划板上的小型航天器（例如立方体卫星），包括群。在我们的方法中，一个神经网络是用来近似解决方案的集中式方法。所需的训练数据使用集中式凸优化框架生成，通过该框架解决了n=10个航天器群轨迹规划问题的几个实例。我们有兴趣回答以下问题，这些问题将深入了解基于深度学习的方法对多航天器运动规划问题的潜在效用：1）神经网络能否产生满足安全约束（例如避免碰撞）和低燃料成本的可行轨迹？2)使用n个航天器数据训练的神经网络是否可以用于解决不同大小的航天器群的问题？
2022-01-28 cs.MA cs.RO
Virtual Traffic Lights for Multi-Robot Navigation: Decentralized Planning with Centralized Conflict Resolution
Deakin University（德金大学）；National Transport Research Organisation (NTRO)（国家交通研究组织）
该研究提出结合去中心化路径规划与中心化冲突解决的混合多机器人协调框架，通过虚拟交通灯式的停止指令减少死锁，在仿真及真实四足机器人、Duckiebots实验中提升了导航成功率。
2025-11-11 cs.RO
Ensuring Progress for Multiple Mobile Robots via Space Partitioning, Motion Rules, and Adaptively Centralized Conflict Resolution
Cornell University（康奈尔大学）；Rice University（莱斯大学）；Pashi Corp.（帕希公司）
在多个机器人必须在共享空间中协调的环境中，分散式方法允许以全局保证为代价进行解耦规划，而集中式方法则进行相反的权衡。这些解决方案做出了一系列假设-通常，所有机器人共享相同的规划策略。在这项工作中，我们提出了一个框架，确保所有机器人的进展，而不假设任何机器人的规划策略（1）生成一个分区的环境到“流”，“开放”和“通道”区域和（2）强加一套规则，机器人运动在这些地区。这些机器人运动规则通过自适应集中式协议来解决机器人之间的空间冲突，从而防止死锁。我们提出的框架，确保所有机器人的进步，没有一个网格样的离散化的环境或机器人通信，协调或合作的强烈要求。每个机器人都可以自由选择如何规划和协调自己，而不会受到其他机器人或机器人组的阻碍，只要他们在必要时遵守规则。我们描述了我们的空间划分和运动规则，证明了运动规则足以保证在分区环境中的进展，并在模拟多边形环境中演示了几种情况。这项工作取得了平衡之间的每个机器人的规划独立性和保证每个机器人总是可以达到任何目标在有限的时间。
2022-03-07 cs.RO
Communication-aware planning for robot teams deployment
针对受障碍物、有限通信范围及基站通信需求约束的机器人群部署问题，提出含分布式路径规划器、部署规划器和聚类算法的方法，实现通信感知的部署规划与任务分配。
2025-03-24 cs.MA cs.RO
Cyber-Physical Testbed for Human-Robot Collaborative Task Planning and Execution
Rochester Institute of Technology（罗切斯特理工学院）
在本文中，我们提出了一个网络物理的测试平台，使人类机器人团队在一个共享的工作空间中执行一个共享的任务。该实验台适合于桌面操作任务的实现，这是一种常见的人机协作场景。该测试平台集成了物理和虚拟世界中存在的元素。在这项工作中，我们报告了我们在理解和实施人类-机器人团队的任务规划和执行方面的探索过程中收集的见解。
2019-05-30 cs.MA cs.RO
Safety-Critical Centralized Nonlinear MPC for Cooperative Payload Transportation by Two Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本文提出一种安全关键性集中非线性MPC框架，用于双六足机器人协同运输载荷。通过holonomic约束和交互力偶捕捉耦合动力学，采用CBF方法确保安全避障，通过实验验证有效性。
2026-04-03 cs.RO math.OC
Exploiting Local Observations for Robust Robot Learning
Aalto University（阿尔托大学）；University of Turku（图尔库大学）；ETH Zurich（苏黎世联邦理工学院）
该研究系统探究了局部观测下的多智能体强化学习相较于集中式控制在机器人系统中的鲁棒性优势，通过理论推导与实验验证了其性能相当且抗扰性更强，为复杂机器人控制提供了实用替代方案。
2025-07-31 cs.RO
Layered Control for Cooperative Locomotion of Two Quadrupedal Robots: Centralized and Distributed Approaches
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对两个完整约束四足机器人的鲁棒协作运动，提出了一种实时轨迹规划和控制的分层控制方法。提出了一种基于单刚体动力学的新型互联网络降阶模型，用于轨迹规划。在更高层次的控制架构，两个不同的模型预测控制（MPC）算法，提出了解决最优控制问题的互联SRB动态：集中式和分布式MPC。分布式MPC假设两个局部二次规划，根据一步通信延迟和协议共享其最优解。在较低层次的控制方案，分布式非线性控制器的开发，施加全阶动态跟踪规定的降低了由MPC产生的轨迹。控制方法的有效性进行了验证与广泛的数值模拟和实验的鲁棒性和合作运动的两个holonomically约束A1机器人与不同的有效载荷在可变的地形和干扰的存在下。结果表明，分布式MPC具有类似的集中式MPC的性能，而计算时间显着减少。
2022-11-13 cs.RO math.OC
Target assignment for robots constrained by limited communication range
University of Groningen（格罗宁根大学）；Northwestern Polytechnical University（西北工业大学）
研究了受限通信范围的多个分散机器人的任务分配问题。机器人最初是随机分布的，需要访问几个目标位置，同时最大限度地减少总行程时间。提出了一种集中式的基于交会的算法，所有机器人首先向交会位置移动，直到每对机器人之间直接或通过中间节点建立通信路径，然后选择一个机器人作为领导者，为其他机器人进行集中式的任务分配。此外，我们提出了一个分散的算法的基础上，一个单一的旅行推销员之旅，它不需要所有的机器人通过通信连接。我们调查的分配解决方案的质量的变化，作为信息共享的水平的增加和通信范围的增长，分别。将所提算法分别与具有全局信息共享的集中式算法和分散式贪婪算法进行了比较。Monte Carlo仿真结果表明了所提算法的良好性能。
2017-02-15 cs.MA cs.RO math.OC
Research on the mobile robots intelligent path planning based on ant colony algorithm application in manufacturing logistics
Ningbo University of Technology（宁波工程学院）
随着机器人技术和人工智能领域的发展不断深入，路径规划作为机器人计算的一个重要领域得到了广泛的关注。本文分析了机器人和路径规划算法的发展现状，重点分析了传统智能路径规划和路径规划的优缺点。利用蚁群算法对移动机器人路径规划问题进行了研究，并给出了一些求解方法。
2014-01-07 cs.RO
Prioritized Planning Algorithms for Trajectory Coordination of Multiple Mobile Robots
自主多机器人系统的一个重要性能是防止机器人之间的碰撞。解决这个问题的一种方法是规划无冲突的轨迹，并让每个机器人遵循其预先规划的轨迹。多机器人轨迹规划的一种实用方法是优先规划法，该方法在实践中已被证明是有效的，但在一般情况下是不完整的。通过优先规划可证明可解决的实例的正式分析仍然缺失。此外，优先规划是集中式算法，这在许多情况下可能是不期望的。在本文中，我们a）提出了一个修订版本的优先规划和特征的类的实例，可证明可解决的算法和b）提出了一个异步分散的优先规划的变体，它保持了集中式版本的理想属性，并在同一时间利用分布式计算能力的个人机器人，这在大多数情况下，允许找到关节轨迹更快。在真实室内地图上进行的实验评估表明，a）优先规划的修订版本可靠地解决了经典优先规划和流行的反应式技术ORCA失败的广泛类别的实例，b）异步分散算法提供的解决方案比以前提出的同步分散算法更快。
2014-09-08 cs.AI cs.MA cs.RO
Enhanced Decentralized Autonomous Aerial Robot Teams with Group Planning
Academy for Engineering and Technology, Fudan University（复旦大学工程与技术研究院）；Huzhou Institute of Zhejiang University（浙江大学湖州研究院）；Zhejiang University（浙江大学）
设计自主式空中机器人团队系统仍然是机器人领域的一个重大挑战。这一领域的现有工作可分为集中式和分散式。集中式方法面临规模困境，而分散式方法往往导致规划质量低下。在本文中，我们提出了一个增强的分散式自主空中机器人团队系统的群体规划。根据Agent的空间分布，系统动态地将团队划分为若干组和孤立的Agent。对于每个组内的冲突，我们提出了一种新的协调机制命名为组规划。群规划由高效的多智能体寻路（MAPF）和轨迹联合优化组成，可以显著提高规划质量和成功率。我们通过模拟和真实世界的实验表明，我们的方法不仅适用于大规模的团队，但也有顶级的规划质量
2022-10-19 cs.RO
Waiting Tables as a Robot Planning Problem
Carnegie Mellon University（卡内基梅隆大学）
我们提出了我们如何正式的等待表在餐厅的任务作为一个机器人规划问题。这种形式化被用来测试我们最近开发的算法，这些算法允许实现多个独立任务的最佳规划，这些任务是部分可观察的，并随着时间的推移而演变[1]，[2]。
2021-05-21 cs.RO
Informed Guided Rapidly-Exploring Random Trees*-Connect for Path Planning of Walking Robots
Poznan University of Technology（波兹南理工大学）
在本文中，我们处理步行机器人的全身路径规划问题。在多维空间中定义了步行机器人的状态。路径规划需要定义脚和机器人身体的路径。此外，规划者应该检查多个约束，如静态稳定性，自碰撞，与地形的碰撞，以及腿的工作空间。结果，检查潜在路径的可行性是耗时的并且影响规划方法的性能。在本文中，我们验证了基于采样的规划器在步行机器人的路径规划任务的可行性。我们确定了现有规划者的长处和短处。最后，我们提出了一种新的规划方法，提高了足式机器人的路径规划性能。
2023-03-06 cs.RO
Decentralized Real-Time Planning for Multi-UAV Cooperative Manipulation via Imitation Learning
Department for Cognitive Robotics, ME, Delft University of Technology（认知机器人系，代尔夫特理工大学）
针对多无人机协同吊运中集中式控制与通信依赖问题，提出基于模仿学习和物理信息神经网络的去中心化运动动力学规划方法，在无通信条件下达到接近集中式方法的性能。
2025-10-20 cs.RO
Integration of 4D BIM and Robot Task Planning: Creation and Flow of Construction-Related Information for Action-Level Simulation of Indoor Wall Frame Installation
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
本研究提出集成4D BIM与机器人任务规划的框架，通过施工机器人知识库增强模型并转换为模拟世界，实现上下文感知的室内墙体框架安装任务规划与模拟。
2024-02-06 cs.RO
Mobile Robot Path Planning in Dynamic Environments: A Survey
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；The University of British Columbia（不列颠哥伦比亚大学）
在人口密集的动态环境中，机器人导航面临许多挑战。本文综述了密集环境下机器人导航的路径规划方法。特别地，移动机器人导航框架中的路径规划从规划范围和可执行性两个方面考虑，分为全局路径规划和局部路径规划。在此框架内，路径规划方法的最新进展，在文件中，同时检查他们的优点和缺点。值得注意的是，最近开发的速度障碍法及其变种，作为当地的规划者进行了全面的分析。此外，作为当前机器人应用中广泛使用的无模型方法，本文详细介绍了基于强化学习的路径规划算法。
2021-03-22 cs.RO
Efficient Trajectory Optimization for Robot Motion Planning
University of California at Berkeley（加州大学伯克利分校）
多关节机器人的运动规划具有挑战性。由于问题的复杂性，大多数现有的工作分解运动规划作为更容易的子问题。然而，由于不一致的性能指标，只有次优的解决方案可以找到基于分解的方法。本文提出了一种基于最优控制的方法来同时解决路径规划和轨迹规划子问题。针对涉及复杂机器人动力学的运动规划问题，提出了一种有效的轨迹优化数值方法。数值计算结果表明了该方法的有效性。实验结果表明了该规划算法的可行性。
2018-10-09 cs.RO
Robot Planning with Mathematical Models of Human State and Action
University of California, Berkeley（加州大学伯克利分校）
机器人与物理世界的互动计划与物理模型。我们主张机器人与人的互动需要用认知模型来规划。这篇文章总结了我们在将人的计算认知模型集成到机器人规划和控制中所获得的见解。它从一般的博弈论制定的互动，并分析了不同的近似结果在不同的有用的协调行为的机器人在与人的互动。
2017-07-04 cs.RO
Flow-Opt: Scalable Centralized Multi-Robot Trajectory Optimization with Flow Matching and Differentiable Optimization
University of Tartu（塔尔图大学）
本文提出Flow-Opt，通过生成模型与可微优化提升集中式多机器人轨迹优化的计算效率，实现快速生成数十机器人在复杂环境中的平滑轨迹，并支持批量处理与多样化路径生成。
2026-07-01 cs.LG cs.RO
Learning and Using Abstractions for Robot Planning
Arizona State University（亚利桑那州立大学）
机器人运动规划涉及计算一系列有效的机器人配置，使机器人从其初始状态到目标状态。解决运动规划问题最佳使用分析方法被证明是PSPACE困难。基于采样的方法试图有效地近似最优解。通常，基于采样的规划器使用统一的采样器来覆盖整个状态空间。在本文中，我们提出了一个基于深度学习的框架，该框架可以识别环境中对解决给定运动规划问题至关重要的机器人配置。这些状态用于偏置采样分布，以减少规划时间。我们的方法适用于一个统一的网络，并根据环境和机器人生成域相关的网络参数。我们评估我们的方法与学习和链接规划器在三个不同的设置。结果表明，显着改善运动规划时间相比，目前的采样为基础的运动规划。
2021-07-22 cs.RO
Centralized Collision-free Polynomial Trajectories and Goal Assignment for Aerial Swarms
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
针对多个空中机器人系统的集中式目标分配和无碰撞多项式时间轨迹规划问题，提出了一种易于计算的方法。该方法首先分配机器人的目标，以尽量减少总的运动时间的基础上的初始轨迹。通过耦合分配和轨迹生成，初始运动计划往往只需要有限的碰撞解决方案。然后，通过检查潜在的碰撞并使用开始时间延迟或高度分配来解决它们来改进计划。使用这两种方法的数值实验表明，显着减少的总时间所需的代理，只有适度的额外的计算工作相比，国家的最先进的现有工作，使规划数千代理达到目标。
2021-01-21 cs.RO cs.SY eess.SY
