Multi-Agent Consensus Seeking via Large Language Models
Westlake University（西湖大学）
本研究探讨了LLM驱动的多智能体系统如何通过协商达成共识，发现主要采用平均策略，并分析了智能体数量、个性和网络拓扑的影响，且应用于多机器人聚合任务，展示了零样本自主规划的潜力。
2025-01-21 cs.CL cs.RO cs.SY
Mind the Gaps: Multi-Robot Feedback-Driven Ergodic Coverage in Unknown Environments
Department of Computer Science at Brown University（布朗大学计算机科学系）
本文提出了一种多机器人反馈驱动的遍历覆盖策略，通过实时环境模型反馈调整机器人采样行为，以提高未知环境中的覆盖效率和资源分配。
2026-05-20 cs.RO cs.SY eess.SY
Voronoi-based Multi-Robot Formations for 3D Source Seeking via Cooperative Gradient Estimation
Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；Inria（法国国家信息与自动化研究所）；INSA Lyon（里昂国立应用科学学院）
提出一种基于球面质心 Voronoi 编队的多机器人协同梯度估计方法，用于三维信号信源定位，并通过无噪与含噪仿真验证其鲁棒性优于现有方法。
2024-09-09 cs.MA cs.RO
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
CARE: Cooperative Autonomy for Resilience and Efficiency of Robot Teams for Complete Coverage of Unknown Environments under Robot Failures
本文提出了一种分布式算法CARE，用于解决未知环境中多机器人覆盖率路径规划问题，该算法在机器人故障情况下提供鲁棒性并提高整体效率，通过事件驱动的重新规划实现任务重新分配，实验结果表明其在故障情况下能够实现完全覆盖、减少覆盖时间和加快目标发现。
2019-05-29 cs.MA cs.RO cs.SY
Resilience in multi-robot multi-target tracking with unknown number of targets through reconfiguration
University of Southern California（南加州大学）
我们解决的问题，保持资源的可用性在一个网络化的多机器人团队进行分布式跟踪未知数量的目标在感兴趣的环境。基于我们的模型，机器人配备了传感和计算资源，使他们能够合作跟踪一组目标的环境中使用分布式概率假设密度（PHD）过滤器。我们使用机器人的传感器测量噪声协方差矩阵的轨迹来量化其传感质量。在执行跟踪任务时，如果机器人经历传感器质量降级，则机器人团队的通信网络被重新配置，使得具有故障传感器的机器人可以与其他机器人共享信息，以提高团队的目标跟踪能力，而无需强制执行活动通信链路的数量的大的变化。一个监控团队的中央系统执行所有的网络重新配置计算。我们考虑两种不同的PHD融合方法在本文中，并提出了四种不同的混合半定规划（MISDP）配方（两个配方为每个PHD融合方法），以实现我们的目标。所有四个MISDP配方进行了验证模拟。
2020-04-15 cs.MA cs.RO cs.SY
Source Seeking Control of Unicycle Robots with 3D-printed Flexible Piezoresistive Sensors
University of Groningen（格罗宁根大学）
我们提出的设计和实验验证的信号源寻找控制算法的一个unicipated移动机器人，配备了新型的3D打印柔性石墨烯基压阻式气流传感器。基于气流传感器的局部梯度测量，我们提出并分析了一种投影梯度上升算法来解决源搜索问题。在部分传感器故障的情况下，我们提出了一个组合的搜索控制与我们的投影梯度上升算法。对于这两个控制律，我们证明了机器人的渐近收敛的源。数值模拟进行验证的算法和实验验证，以证明所提出的方法的有效性。
2021-06-19 cs.RO cs.SY eess.SY
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
Decentralised Intelligence, Surveillance, and Reconnaissance in Unknown Environments with Heterogeneous Multi-Robot Systems
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group, Department of Defence（国防部国防科学与技术集团）；Mission Systems Pty. Ltd.（任务系统私人有限公司）
我们提出了一个分散的，异构的多机器人系统在未知的环境中执行情报，监视和侦察（ISR）的设计和实施。该团队由功能专业化的机器人组成，这些机器人收集信息和执行特定任务的其他机器人，并进行协调，以实现在未知环境中的同时探索和开发。我们提出了一个实际的实现这样一个系统，包括分散的机器人间的定位，映射，数据融合和协调。该系统是在一个有效的分布式仿真证明。我们还描述了一个UAS平台的硬件实验，和正在进行的进展。
2021-06-17 cs.RO
Multi-Robot Distributed Optimization for Exploration and Mapping of Unknown Environments using Bioinspired Tactile-Sensor
Department of Mechanical Engineering University of California at Berkeley Berkeley, CA, US（机械工程系 加州大学伯克利分校 伯克利加州）
提出一种基于分布式优化和仿生触觉传感器的多机器人系统，通过记录碰撞点实现未知环境的高效探索与二维地图构建，实验验证了高覆盖率和低碰撞。
2025-10-07 cs.RO
Asynchronous Network Formation in Unknown Unbounded Environments
University of Minnesota（明尼苏达大学）
本文研究了移动多机器人系统的在线网络形成问题。考虑一组机器人在一个大的开放区域中操作，具有有限的通信范围。其中一个机器人有一条信息，必须传播给所有其他机器人。机器人应该采取什么策略来尽快将信息传播给其他机器人？机器人的初始位置彼此未知，因此必须以在线方式解决问题。对于这个问题，我们提出了一个算法，其竞争比为$O(H \cdot \max\{M,\sqrt{M H}\})$的任意机器人部署，其中$M$是最大的边缘长度在欧几里德最小生成树的初始机器人配置和$H$是树的高度。我们还研究了机器人初始位置均匀随机选择的情况，并将其改进为$O(M)$。最后，我们提出了仿真结果，以验证在更大范围内的性能，并证明我们的算法使用三个机器人在现场实验。
2019-08-02 cs.RO
Stackelberg Game-Theoretic Learning for Collaborative Assembly Task Planning
New York University（纽约大学）；Purdue University（普渡大学）
提出Stackelberg博弈论学习方法，通过领导者-跟随者交互及Stackelberg双深度Q学习算法，实现多机器人协作装配任务的高效自动化规划，缩短任务完成时间并增强鲁棒性。
2024-04-19 cs.GT cs.MA 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
Collision-free Source Seeking Control Methods for Unicycle Robots
Engineering and Technology Institute Groningen（格罗宁根工程技术研究所）；University of Groningen（格罗宁根大学）
本文针对未知杂乱环境中的独轮机器人，提出一种将控制屏障函数嵌入二次规划并与梯度上升源搜索控制律直接集成的无碰撞源搜索框架，解决了混合相对阶和位置偏移问题，并通过蒙特卡洛仿真和 Gazebo/ROS 动态环境验证了其有效性。
2024-11-20 cs.RO cs.SY eess.SY
Partial-Scan-and-Move Source Seeking for Mobile Robots
The City College of New York, The City University of New York（纽约市立大学纽约城市学院）
本文提出一种部分扫描与移动策略，利用置信集判断测量信息是否足够，使移动机器人在有限次移动内高概率到达源邻域。
2026-09-22 cs.RO cs.SY eess.SY
Efficient Collaborative Navigation through Perception Fusion for Multi-Robots in Unknown Environments
Beijing National Research Center for Information Science and Technology, Tsinghua University（北京信息科学与技术国家研究中心，清华大学）
本文提出了一种基于感知融合的多机器人协作导航方法，通过图注意力架构和信息增益权重提升规划效率，实验证明在未知环境中显著提高导航效率和路径优化能力。
2024-11-02 cs.RO
Distributed Information-based Source Seeking
Harvard School of Engineering and Applied Sciences（哈佛大学工程与应用科学学院）；MIT School of Engineering（麻省理工学院工程学院）；Peking University（北京大学）
提出一种基于Fisher信息最大化的多机器人分布式源寻找算法，仅用局部距离测量即可快速定位单一源，收敛速度优于传统方法且对模型误差鲁棒。
2023-09-13 cs.RO
Algorithms for Rapidly Dispersing Robot Swarms in Unknown Environments
我们开发和分析的算法分散在一个未知的环境中，R。主要目标是最小化完工时间，即填充整个区域的时间。环境由形成整数网格的连接子集的像素组成。每个像素最多有一个机器人，机器人以单位速度水平或垂直移动。机器人通过k>=1门像素进入R机器人是原始有限自动机，只有本地通信，本地传感器和恒定大小的内存。我们首先给出单门情况下的算法（即，k=1），对算法进行了理论分析和实验验证。我们证明了我们的算法具有最优的最大完工时间2A-1，其中A是R的面积。接下来，我们给出了一个算法的多门的情况下（k>1），基于沿墙版本的领导者-追随者的策略。我们证明了我们的策略是O（log（k+1））-竞争的，并且这个界对于我们的策略和其他相关策略是紧的。
2002-12-10 cs.RO
Concurrent Constrained Optimization of Unknown Rewards for Multi-Robot Task Allocation
Georgia Institute of Technology（佐治亚理工学院）；University of Pennsylvania（宾夕法尼亚大学）
针对任务奖励函数未知的多机器人任务分配问题，提出COCOA问题及基于连续臂老虎机的CMTAB算法，实现资源约束下未知任务奖励的并发高效优化。
2023-05-24 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
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
Planar Cooperative Extremum Seeking with Guaranteed Convergence Using A Three-Robot Formation
Mechanical and Mechatronics Engineering Department, University of Waterloo（滑铁卢大学机械与机电工程系）
本文提出了一种结合编队获取和协作极值搜索控制的方案，用于在平面上移动的三机器人团队。极值搜索任务是找到一个未知二维函数在平面上的最大值点。该函数表示由于位于最大值点的源产生的信号强度场，并假设该函数在最大值点附近局部凹凸且随距离源点的增加而单调递减。通过在特定领头机器人位置和最大值点处对场函数进行泰勒展开，并结合基于机器人信号强度测量的梯度估计器，设计并分析了所提出的控制方案。所提出的方案被证明可以指数收敛并同时（i）获取指定的几何编队，（ii）将领头机器人驱动到指定的最大值点附近的盘内，该盘的半径取决于指定的期望编队大小以及场函数的海森矩阵范数上限。通过一组仿真实验评估了所提出控制方案的性能。
2019-10-14 cs.RO cs.SY eess.SY
HEHA: Bounded Suboptimal Planning for Constrained Routing and Its Use in Heterogeneous Multi-Robot Exploration of Unknown Environments
Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）
针对异构多机器人未知环境探索的大规模约束路径规划难题，提出HEHA分层方法，通过新型PEAF路由算法实现有界次优全局规划并结合异构感知局部规划，最多可减少30%探索时间。
2026-11-13 cs.RO
Frontier-led Swarming: Robust Multi-Robot Coverage of Unknown Environments
University of New South Wales（新南威尔士大学）
本文提出了一种新型的基于群的控制算法，用于探索和覆盖未知环境，同时保持允许短程通信的队形。该算法结合了两个要素：群体规则，以保持紧密结合的形成和前沿搜索驾驶探索和覆盖。受自然系统的启发，其中大量的简单代理（例如，成群的鱼、成群的鸟、成群的昆虫）为了效率和安全而执行复杂的集体行为，第一个元素使用三个简单的规则来维持群体的形成。第二个元素提供了一种方法来选择有前途的地区探索（和覆盖），通过最小化成本函数，涉及机器人的相对距离前沿细胞和前沿的大小。我们测试了我们的方法在不同环境中的异构和同质的移动机器人组的性能。我们衡量的覆盖性能和群体形成的统计数据作为指标的机器人的能力，有效地探索，同时保持有利于短距离通信的形成。通过一系列的比较实验，我们证明了我们提出的策略具有优越的性能，最近提出的地图覆盖方法和传统的群集方法。
2022-01-25 cs.MA cs.RO
Multi-AGV's Temporal Memory-based RRT Exploration in Unknown Environment
Singapore University of Technology and Design（新加坡科技设计大学）
随着多机器人在复杂环境中探索未知区域的需求的增加，需要有效的协作探索策略来实现这一壮举。可以部署基于前沿的快速探索随机树（RRT）探索来探索未知环境。然而，它的贪婪行为导致多个机器人探索具有最高收益的区域，这导致探索过程中的大量重叠。为了解决这个问题，我们提出了一个基于时间记忆的RRT（TM-RRT）的探索策略，多机器人进行鲁棒的探索在一个未知的环境。它为每个分配的边界计算自适应持续时间，并根据每个机器人的相对位置计算边界的收入。此外，每个机器人都配备了一个存储器，包括边界分配和舰队之间的共享，以防止重复分配相同的边界。通过模拟和实际部署，我们已经通过在25.0 m x 54.0 m（1350.0 m2）区域内完成勘探，证明了TM-RRT勘探策略的鲁棒性，而常规RRT勘探策略则有所不足。
2022-07-15 cs.MA cs.RO
Assistance-Seeking in Human-Supervised Autonomy: Role of Trust and Secondary Task Engagement (Extended Version)
Michigan State University（密歇根州立大学）
本研究通过双任务实验与LDS建模刻画人类信任和参与度，并基于MPC设计机器人最优求助策略，验证其在多数参与者上优于基线策略。
2024-10-27 cs.RO cs.SY eess.SY
Excitation-Supervised Closed-Loop Self-Calibration and Target Seeking for an Unknown-Pose Range-Bearing Relay
Michigan State University（密歇根州立大学）
针对未知位姿测距测角中继，本文提出激励监督闭环自标定与目标寻优算法，通过轨迹扩展裕度$S_v$监督控制器，经仿真与实验验证其标定精度及目标寻优成功率优于固定调度方法。
2026-09-25 cs.RO cs.SY eess.SY
BEASST: Behavioral Entropic Gradient based Adaptive Source Seeking for Mobile Robots
Department of Mechanical and Aerospace Engineering, University of California, Irvine（加州大学尔湾分校机械与航空航天工程系）；U.S. DEVCOM Army Research Laboratory (ARL)（美国陆军研究实验室）
BEASST通过行为熵梯度和自适应策略，提升移动机器人在复杂环境中的源寻找效率，实现路径优化与快速定位。
2025-12-13 cs.RO
Fast and Scalable Signal Inference for Active Robotic Source Seeking
NASA Jet Propulsion Laboratory, Caltech（美国国家航空航天局喷气推进实验室，加州理工学院）；University of Southern California（南加州大学）；Stanford University（斯坦福大学）
本文提出全局与局部因子图模型，解决高斯过程在主动源搜索中难以扩展和无法表示障碍物的问题，并结合可扩展规划器构建大规模系统，在仿真与真实机器人实验中优于基线方法。
2023-04-17 cs.RO
From Agent Autonomy to Casual Collaboration: A Design Investigation on Help-Seeking Urban Robots
The University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）
本文通过17人参与的4场bodystorming焦点小组，从机器人与旁观者双视角提炼非语言求助策略及协助行为影响因素，并为城市求助机器人提出协作设计建议。
2024-03-04 cs.HC cs.RO
Model-Free and Real-Time Unicycle-Based Source Seeking with Differential Wheeled Robotic Experiments
PhD Student, Department of Aerospace Engineering（航空航天工程系博士研究生）；Engineering Mechanics, University of Cincinnati, OH, USA（辛辛那提大学工程力学系）；Assistant Professor, Department of Aerospace Engineering（航空航天工程系助理教授）；MS Student, Department of Aerospace Engineering（航空航天工程系硕士研究生）
本文提出一种基于独轮车模型的极值搜索控制设计，面向差速轮式机器人实现无模型实时源搜索，并通过仿真与实物实验证明其能抑制振荡、加快收敛并抗噪。
2025-09-18 cs.RO math.OC
A light- and heat-seeking vine-inspired robot with material-level responsiveness
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）；Accenture Labs（埃森哲实验室）
本文提出一种皮肤嵌入材料级响应的藤蔓仿生机器人，能向光或热刺激生长转向，模型简单低成本，可用于太阳能跟踪和火灾探测。
2023-09-15 cs.RO
Model-Free Source Seeking by a Novel Single-Integrator with Attenuating Oscillations and Better Convergence Rate: Robotic Experiments
University of Cincinnati（辛辛那提大学）
针对移动机器人无模型未知标量信号源搜索问题，改进ESC系统的单积分器控制仿射结构，通过梯度估计和自适应律衰减振荡、提升收敛速率，经实验验证仅用局部测量即可实现高效实时光源搜索。
2024-03-09 cs.RO math.OC
Distributed Algorithms for Stochastic Source Seeking with Mobile Robot Networks: Technical Report
Systems Engineering Dept. University of Pennsylvania Philadelphia, PA 19104（系统工程系 佩斯大学 费城 PA 19104）
本文提出分布式控制策略用于定位噪声信号源，针对有模型和无模型两种场景，采用随机梯度方法实现机器人网络在局部最大值区域的收敛。
2014-04-11 cs.MA cs.RO cs.SY
Model-free source seeking of exponentially convergent unicycle: theoretical and robotic experimental results
Department of Aerospace Engineering and Engineering Mechanics（航空航天工程与工程力学系）；University of Cincinnati（辛辛那提大学）；Department of Mathematics（数学系）；University of Klagenfurt（克雷格弗特大学）
本文提出一种无模型的单轮车源寻找设计，实现指数收敛于高次幂函数极值点，通过理论分析和机器人实验验证了其鲁棒性和实际应用能力。
2026-01-24 cs.RO math.OC
Source Seeking in Unknown Environments with Convex Obstacles
University of São Paulo（圣保罗大学）；University of Pennsylvania（宾夕法尼亚大学）
导航任务往往不能根据目标来定义，这要么是因为全球定位信息不可用或不可靠，要么是因为目标位置事先并不明确。然后，这个任务通常被间接定义为一个源搜索问题，其中自主代理导航，以尽量减少凸电位引起的源，同时避免障碍物。这项工作解决了这个问题时，只有标量测量的潜力，即，没有梯度信息。为此，它构造了一个人工势，在这个人工势上，一个精确的梯度动力学将在一个有凸障碍物的世界中生成一个无碰撞的目标轨迹。然后，利用极值搜索控制回路，最大限度地减少这种人为的潜力，顺利导航到源位置。我们证明，所提出的解决方案不仅找到了源，但这样做，同时避免任何障碍。速度驱动粒子的数值结果，与ROS+Gazebo中的全方位机器人的模拟，以及机器人在环实验被用来说明这种方法的性能。
2019-09-16 cs.RO math.OC
When To Seek Help: Trust-Aware Assistance Seeking in Human-Supervised Autonomy
Michigan State University（密歇根州立大学）；United States Military Academy（美国军事学院）
该研究通过POMDP框架设计信任感知的机器人协助寻求策略，经两组人机实验验证其优于信任无关策略，揭示低信任及高复杂度任务下人类更易干预，且机器人请求协助可提升人类信任。
2025-11-11 cs.RO
Newton Nonholonomic Source Seeking for Distance-Dependent Maps
Faculty of Electrical and Computer Engineering, Technical University of Munich（慕尼黑工业大学电气与计算机工程学院）
针对源搜索与牛顿极值搜索未结合的问题，提出首个带Riccati滤波器的牛顿非完整源搜索算法，通过二阶李括号平均证明半全局收敛，仿真显示其优于梯度法。
2023-07-21 cs.RO cs.SY eess.SY
Learning to Look: Seeking Information for Decision Making via Policy Factorization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Sony AI（索尼人工智能）
本文提出分解的上下文马尔可夫决策过程及 DISaM 双策略框架，通过分别训练信息寻求与信息接收策略，使机器人能主动获取决策信息，并在仿真和真实操作任务中显著优于现有方法。
2024-10-24 cs.LG cs.RO
RF-Source Seeking with Obstacle Avoidance using Real-time Modified Artificial Potential Fields in Unknown Environments
Indian Institute of Technology Madras（印度理工学院马德拉斯学院）
针对未知环境中目标位置未知的无人机导航问题，提出融合射频方位估计与实时参数自适应改进 APF 的方法，显著提升避障到达成功率。
2025-06-07 cs.RO
Seeking Quality Diversity in Evolutionary Co-design of Morphology and Control of Soft Tensegrity Modular Robots
University of Trento（特伦托大学）
由于形态学和控制器之间的非平凡相互作用，设计最佳的软模块化机器人是困难的。进化算法（EA），结合物理模拟器，代表了一个有效的工具来克服这个问题。在这项工作中，我们研究的算法解决方案，以提高质量多样性的协同进化设计的张拉整体软模块化机器人（TSMRs）的两个机器人任务，即达到目标和挤压通过一个狭窄的通道。为此，我们使用三种不同的EA，即，MAP-Elites和两种自定义算法：一种基于生存力进化（ViE）和NEAT（ViE-NEAT），另一种称为双映射MAP-Elites（DM-ME），旨在寻求多样性，同时共同进化机器人形态和基于神经网络（NN）的控制器。详细地说，DM-ME扩展了MAP-Elites，因为它使用两个不同的特征图，分别指形态和控制器，并集成了一种机制来自动定义NN相关的特征描述符。考虑到适应度，在目标达成任务中，ViE-NEAT优于MAP-Elites，结果相当于DM-ME。相反，当考虑特征空间的“照明”方面的多样性时，DM-ME在两个任务上都优于其他两种算法，提供了更丰富的可能的机器人设计池，而ViE-NEAT在目标达成上显示出与MAP-Elites相当的性能，尽管它不利用任何地图。
2021-04-25 cs.NE cs.RO
Nonlinear Unknown Input and State Estimation Algorithm in Mobile Robots
College of Information Sciences（信息科学学院）；School of Electrical Engineering（电气工程学院）；GE Global Research（GE全球研究）
本文提出一种适用于非线性动态模型和随机噪声的移动机器人未知输入和状态估计算法，通过传感器数据和控制指令检测并量化传感器和执行器的异常。
2018-04-09 cs.RO cs.SY eess.SY
Velocity-Form Data-Enabled Predictive Control of Soft Robots under Unknown External Payloads
Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学）；Department of Mechanical Engineering, University of California Riverside（机械工程系，加州大学河滨分校）；Department of Electrical and Computer Engineering, Michigan State University（电气与计算机工程系，密歇根州立大学）；Department of Electrical and Computer Engineering, University of Michigan（电气与计算机工程系，密歇根大学）
本文提出速度形式DeePC框架，利用增量输入输出数据，在未知负载下实现软体机器人鲁棒最优控制，实验验证性能优于标准DeePC。
2025-10-06 cs.RO cs.SY eess.SY
Switched Turn-based Adaptive Source Seeking Strategy using Estimation and Information-driven Direction of Improvement
Indian Institute of Technology Madras（印度马德拉斯理工学院）
本文提出结合EKF估计与FIM方向选择的循环源搜寻框架，采用基于测量的收敛检测，在静止和移动源场景下较纯信息或估计驱动策略的跟踪性能更优、估计误差更小。
2026-08-25 cs.RO cs.SY eess.SY
Visibility-Aware RRT* for Safety-Critical Navigation of Perception-Limited Robots in Unknown Environments
University of Michigan（密歇根大学）
针对感知受限机器人在未知环境中的碰撞风险，提出融合避障 CBF 与新型可见性 CBF 的 Visibility-Aware RRT*，并经两类安全控制器实验验证其安全与效率优势。
2025-03-17 cs.RO cs.SY eess.SY
Can I lift it? Humanoid robot reasoning about the feasibility of lifting a heavy box with unknown physical properties
Johns Hopkins University（约翰斯·霍普金斯大学）；National University of Singapore（新加坡国立大学）
如果不可行，机器人就不能举起物体。然而，在大多数机器人搬运研究中，“可行性”通常被假定为先验存在。提出了一种人形机器人用三步推理方法来判断机器人能否举起一个物理性质未知的重箱子。由于提升的可行性直接关系到盒子的物理性质，我们首先离散化描述这些属性的参数的未知值的范围，并列出所有有效的最佳准静态提升轨迹通过模拟产生的所有组合的指数。其次，引入了一种基于物理交互的算法来识别与盒子相对应的鲁棒抓取位置和物理参数。在此过程中，机器人的稳定性和安全性得到了保证。在上述两个步骤的基础上，执行映射操作的第三步骤，以使估计参数与表中的索引最佳匹配。然后查询匹配的索引以确定是否存在有效的轨迹。如果是，则提升运动是可行的;否则，机器人决定该任务超出了其能力。我们的方法通过机器人和箱子之间的简单交互有效地评估了起重任务的可行性，同时获得了所需的安全稳定的轨迹。我们成功地证明了所提出的方法使用NAO人形机器人。
2020-08-09 cs.RO cs.SY eess.SY
A Successive-Elimination Approach to Adaptive Robotic Sensing
UC Berkeley（加州大学伯克利分校）
我们研究了一个自适应源搜索问题，在这个问题中，移动机器人必须在具有背景辐射的环境中识别信号的最强发射器。背景信号可能是高度异质的，并且可能误导基于滚动时域控制的算法。我们提出AdaSearch，一个通用的算法，在面对异构背景噪声的自适应源搜索。AdaSearch将全局轨迹规划与原则性置信区间相结合，以便将测量集中在有希望的区域，同时保证对整个区域的充分覆盖。理论分析表明，AdaSearch赋予收益时，背景信号的分布是高度可变的均匀采样策略。仿真实验表明，AdaSearch算法应用于放射源搜索问题时，其性能优于均匀采样法和基于当前文献的后退时域信息最大化方法。我们还展示了AdaSearch的硬件，提供了进一步的证据，其潜力的实时实现。
2020-06-23 cs.LG cs.RO stat.ML
Blast Hole Seeking and Dipping -- The Navigation and Perception Framework in a Mine Site Inspection Robot
Australian Centre for Robotics, USYD（澳大利亚机器人中心，悉尼大学）
针对露天矿炮孔人工检测难题，提出 DIPPeR 机器人的自适应导航与 LiDAR 感知框架，实现炮孔寻找、跟踪及孔下传感器安全精确定位，并经仿真和现场验证。
2025-09-29 cs.RO
Geometry-Aware Safety-Critical Local Reactive Controller for Robot Navigation in Unknown and Cluttered Environments
The Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Baptist University（香港浸会大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本研究针对未知杂乱环境下机器人导航问题，提出基于多项式优化与SOS近似的几何感知安全关键型局部反应控制器，通过凸化为SDP实现实时求解，验证了其安全性与跟踪性能优势。
2023-10-09 cs.RO cs.SY eess.SY
Temporal changes in stimulus perception improve bio-inspired source seeking
University of Southern Denmark（南丹麦大学）
Braitenberg车辆是众所周知的传感器驱动的动物源搜索（生物税）的定性模型，本地导航的刺激功能。这些模型最终取决于感知的刺激值，而有生物学证据表明，动物也使用刺激的时间变化作为出租车行为的信息源。刺激值的时间演变取决于代理（动物或机器人）的速度，而同时速度通常是要控制的变量。例如，当使用光流来控制机器人的运动时，出现这种循环依赖性，并且通过固定前进速度同时仅控制转向速率来解决该循环依赖性。本文提出了一种新的数学模型的生物启发源搜索控制器，包括速度控制机制中的刺激的变化率。上述循环依赖性导致由一组微分代数方程（DAE）表示的闭环模型，在某些假设下，微分代数方程（DAE）可以转换为非线性常微分方程（ODE）。模型分析的理论结果表明，包括依赖于刺激的时间演变的一个术语相比，简单地使用刺激值，提高了闭环系统的行为。我们通过一组模拟来说明理论结果。
2019-03-25 cs.RO
Learning control for transmission and navigation with a mobile robot under unknown communication rates
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）；Université de Lorraine（洛林大学）；Politehnica University of Timisoara（蒂米什瓦拉理工大学）；CentraleSupelec（中央理工-高等电力学院）；Univ. Paris Sud（巴黎第十一大学）
在测量或监控偏远地区等任务中，自主机器人必须移动，同时通过无线网络以未知的位置相关传输速率传输数据。对于这样的机器人，本文考虑的问题，在最短的时间内传输数据缓冲区，同时也可能朝着目标位置导航。提出了两种方法，每一种方法包括一个机器学习组件，估计从样本的速率函数;和一个最优控制组件，移动机器人给定的当前速率函数估计。对于没有目标位置的情况，执行简单的避障。在广泛的模拟，这些方法实现了竞争力的性能相比，已知的速率和未知的速率基线。提供了一个真实的室内实验，其中Parrot AR.Drone 2成功地学习传输缓冲区。
2020-11-18 cs.LG cs.RO cs.SY
Acceleration based PSO for Multi-UAV Source-Seeking
Robotics Research Center, International Institute of Information Technology（国际信息技术学院机器人研究中心）；Institute for Infocomm Research, Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR）信息通信研究院）；International Institute of Information Technology（国际信息技术学院）；Institute for Infocomm Research（信息通信研究院）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR））
提出了一种新的无人机群搜索未知源的算法。该方法受到著名PSO算法的启发，被称为基于加速的粒子群优化（APSO），用于解决没有先验信息的寻源问题。与传统的粒子群算法不同的是，粒子速度的更新是基于自我认知和社会认知信息，这里的更新是对粒子加速度进行的。理论分析表明，所提出的APSO算法的稳定性和收敛性。利用Jurys稳定性检验得到了三阶修正方程参数的条件。在CoppeliaSim中进行的高保真仿真表明，与现有的基于粒子群的源搜索算法相比，所提出的APSO算法在搜索未知源时具有更好的性能。从所获得的结果，它是观察到，所提出的方法比现有的方法的情况下，如不同的无人机间的通信网络拓扑结构，不同数量的无人机在群，不同大小的搜索区域，限制源移动和测量噪声的存在下，表现得更好。
2021-09-23 cs.RO
Markerless visual servoing on unknown objects for humanoid robot platforms
Istituto Italiano di Tecnologia（意大利理工学院）
本文提出了一种无标记未知物体的人形机器人视觉伺服框架，通过立体视觉计算可抓取物体的体积，利用递归贝叶斯滤波估计末端执行器的6D姿态，结合非线性约束优化问题计算目标姿态，并通过图像基于视觉伺服控制实现末端执行器的精确控制。
2017-10-12 cs.RO cs.SY eess.SY
SafeGuardPF: Safety Guaranteed Reactive Potential Fields for Mobile Robots in Unknown and Dynamic Environments
University of Notre Dame（圣母大学）
本文提出SafeGuardPF方法，通过将反应势场运动控制器建模为混合自动机，并利用微分动态逻辑形式化验证其安全性，确保机器人在动态环境中避免碰撞。
2016-09-22 cs.MA cs.RO cs.SY
