Decentralized Dynamic Task Allocation in Swarm Robotic Systems for Disaster Response
University at Buffalo(布法罗大学)
多个机器人系统一起工作,可以为不同的现实世界应用提供重要的解决方案(例如,灾害应对),其中任务分配问题尤为突出。很少有现有的分散式多机器人任务分配(MRTA)方法同时提供以下功能:考虑任务的最后期限,考虑机器人的范围和任务完成能力的限制,并允许在动态任务空间下的异步决策。为了提供这些功能,本文提出了一种计算效率高的算法,涉及新的建设和匹配的二分图。它的性能进行了测试的多无人机洪水响应应用程序。
2020-07-25 cs.AI cs.MA cs.RO
An Optimal Task Allocation Strategy for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology(佐治亚理工学院)
对于一个团队的异构机器人执行多个任务,我们提出了一种新的算法,以最佳分配任务的机器人,同时考虑到他们的不同能力。出于机器人团队在许多实际应用中长时间保持运行的需要,我们允许每个机器人选择任务,除了任务分配的全局规范之外,还考虑执行任务所消耗的能量。这些任务被编码为每个机器人在每个时间点解决的能量最小化问题中的约束。通过在任务约束中引入松弛变量,可以有效地将任务分配给特定的机器人。此外,某些机器人对某些任务的适应性也被考虑到生成一个任务分配算法的机器人与异构能力的团队。所开发的方法的有效性证明了在模拟和一个团队的真实机器人。
2019-09-02 cs.RO
Uncertainty-Aware Task Allocation for Distributed Autonomous Robots
New Mexico State University(新墨西哥州立大学)
本文讨论了分布式自主机器人(DAR)的态势感知的任务分配问题与不确定性。任务分配过程中的不确定性传播是通过使用Sigma-Point采样机制的Unscented变换来完成的。它具有很大的潜力,被用于通用的任务分配方案,在这个意义上说,没有必要修改现有的任务分配方法,已开发不考虑的不确定性的态势感知。所提出的框架进行了测试,在模拟环境中,决策者需要确定分配给多个移动飞行机器人的位置来作为已知的均值和协方差的随机变量的多个位置的最优分配。仿真结果表明,所提出的随机任务分配方法产生的分配比不考虑不确定性的总成本减少30%。
2021-07-21 cs.AI cs.RO cs.SY
Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints
Stanford University(斯坦福大学)
我们考虑在时间窗约束和任务完成不确定性下,动态地将任务分配给多个智能体的问题。我们的目标是尽量减少在行动范围结束时不成功的任务数量。我们提出了一种多机器人分配算法,该算法将不确定性和多智能体协调下的顺序决策的关键计算挑战解耦,并以分层方式解决它们。较低层使用具有树搜索的动态规划计算各个代理的策略,并且上层解决各个计划中的冲突以获得有效的多代理分配。我们的算法,基于随机分配(SCoBA),是最优的期望和完成在一些合理的假设。在实践中,SCoBA的计算效率足以在线交错规划和执行。在成功完成任务的指标上,SCoBA始终优于许多基线方法,并显示出与具有完全前瞻的Oracle相比具有强大的竞争力。它还可以很好地扩展任务和代理的数量。我们在两个不同的领域进行了广泛的模拟,验证了我们的结果:多臂传送带取放和城市中的多无人机交付调度。
2020-07-25 cs.AI cs.RO
Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints
University of Minnesota, Twin Cities(明尼苏达大学双城分校);Boston University(波士顿大学)
提出双层多机器人框架,在未知转移模型下结合任务分配与分布式策略学习,利用实时执行数据自适应更新完成概率和奖励,并通过理论与仿真验证其满足时间窗时序逻辑的概率阈值。
2025-02-14 cs.AI cs.FL cs.RO
Multi-Robot Task Allocation for Homogeneous Tasks with Collision Avoidance via Spatial Clustering
IIIT Bhubaneswar(比哈尔邦理工学院);Dept. of Computer Science(计算机科学系);Maharaja Sriram Chandra Bhanja Deo University(玛哈拉吉·斯里拉姆·查兰德拉·班贾德欧大学)
提出结合 K-means 与 2-Opt 的空间聚类框架,统一解决工业同质测量任务的 MRTA 与避碰问题,显著降低耗时、提升解质量并消除碰撞。
2025-05-15 cs.AI cs.RO
Communication-Aware Heterogeneous Graph Learning for Decentralized Multi-Human Multi-Robot Task Allocation
提出CommHG框架,通过通感异构图和协作多智能体强化学习联合优化去中心化多人类多机器人任务分配与通信,实验显示在多达16机器人、6人类、112任务规模下优于最强基线。
2026-09-29 cs.RO
Task Allocation for Multi-Robot Task and Motion Planning: a case for Object Picking in Cluttered Workspaces
Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa(热那亚大学信息学、生物工程、机器人与系统工程系)
我们提出了一个与/或图为基础的,集成的多机器人任务和运动规划的方法,(一)执行任务分配协调活动的一个给定数量的机器人,(ii)是能够处理任务,涉及一个先验未知数量的对象重新安排,如那些参与检索对象从杂乱的机器人。例如,在搜索和救援场景中,当定位/拾取杂乱的感兴趣对象时,可能会出现这种情况。相应的问题属于杂乱规划的范畴。在杂波中进行规划时的挑战之一是,通常事先不知道拾取目标对象所需的对象重新布置的数量。此外,这样的任务可以以各种方式分解,因为不同的杂乱对象重新布置可能到达目标对象。在我们的方法中,任务分配和分解是通过最大化的组合效用函数。分配的任务由一个集成的任务和运动规划器,这是强大的要求未知数量的重新安排任务。我们证明了我们的结果与实验模拟两个FrankaReplika机械手。
2021-10-08 cs.AI cs.RO
Task Allocation using a Team of Robots
UNSW Sydney(新南威尔士大学悉尼分校);Data61, CSIRO(联邦科学与工业研究组织Data61);Defence Science and Technology Group(国防科学与技术集团)
利用机器人团队或联盟进行任务分配是机器人学、计算机科学、运筹学和人工智能中最重要的问题之一。在最近的工作中,研究集中在处理复杂的目标和可行性约束之间的多机器人任务分配问题的其他变化。在这些方向上有许多重要研究进展的例子。我们提出了一个一般的任务分配问题,概括了几个版本,研究。我们的表述包括机器人的状态、任务以及它们运行的周围环境。我们描述了如何根据可行性约束,目标函数和动态变化的信息水平的问题可以有所不同。此外,我们讨论了现有的解决方案,包括基于优化的方法,和基于市场的方法的问题。
2022-07-20 cs.AI cs.DM cs.MA
Proportional Control for Stochastic Regulation on Allocation of Multi-Robots
University of Pennsylvania(宾夕法尼亚大学)
由于机器人水平的不确定性和环境对机器人行为的影响,任何用于将机器人整体分配到一组顺序任务上的策略都会受到不准确性的影响。我们接近任务分配过程中的不准确性的问题,通过建模和控制整体集成行为。我们的模型表示分配问题作为一个随机跳跃过程,我们调节这样一个过程的均值和方差。本文的主要贡献是:建立一个结构的过渡率的等效随机跳跃过程,并正式表明,这种方法导致解耦的参数,使我们能够调整的一阶和二阶矩的合奏分布的任务,这使得灵活性,以减少所需的最终分布的方差。这使我们能够直接塑造不确定性对任务组分配的影响。我们介绍了一个详细的过程来设计增益,以实现所需的平均值,并显示如何额外的参数影响的协方差矩阵,这是直接与任务分配精度的程度。我们的仿真和实验结果表明,成功地控制几个机器人合奏任务分配。
2022-12-19 cs.RO
Task Allocation in Robotic Swarms: Explicit Communication Based Approaches
Institute for Advanced Studies in Basic Sciences(基础科学高级研究所);University of Zanjan(赞詹大学)
本文研究了一种多机器人协作任务分配问题,其中一个机器人群被部署在一个受限的未知环境中,代表任务的色点数目及其比例未知。机器人应尽可能覆盖这些点,以便进行理想的清洁和采样动作。这意味着他们应该合作发现点,并按点面积成比例传播,避免闲置。我们提出了4个自组织的分布式方法,这些方法被称为混合方法来应对这种情况。在两个不同的实验中的方法的性能进行了分析。我们将它们相互比较,并研究了它们的可扩展性和鲁棒性方面的单点故障。
2015-03-01 cs.AI cs.MA cs.RO
A Task Allocation Framework for Human Multi-Robot Collaborative Settings
Roma Tre University(罗马第三大学);University of Cassino and Southern Lazio(卡西诺和南拉齐奥大学)
现代生产系统的要求以及更先进的机器人技术促进了由人类和自主机器人组成的团队的整合。然而,随着潜在的好处也来的问题,如何有效地处理这些团队考虑到所涉及的代理的不同特点。为此,本文提出了一个框架,在人类多机器人协作的情况下任务分配。所提出的解决方案结合了最佳离线分配与在线重新分配策略,该策略考虑了离线计划的不准确性和/或不可预见的事件、人的主观偏好以及从一个任务切换到另一个任务的成本,以提高人的满意度和团队效率。实验的情况下,两个机械手与人类操作员合作,执行装箱任务。
2022-10-25 cs.RO
Inverse Risk-sensitive Multi-Robot Task Allocation
University of Southern California(南加利福尼亚大学)
提出IR-MRTA问题,通过Branch & Bound算法从人类建议的分配方案中反求风险模型参数,使贪心分配符合人类偏好,并在目标捕获仿真中显著降低运行时间与峰值内存。
2024-06-14 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
Acting on the Unseen: Communication-Free Collaborative Filtering for Decentralized Multi-Robot Task Allocation
Holon Institute of Technology(霍洛技术学院);Afeka Tel Aviv Academic College of Engineering(阿法卡特拉维夫工程学院)
针对零知识多机器人任务分配问题,提出基于在线低秩协同过滤的SwarmCF方法,无需通信、先验知识或协调者,实现每个机器人在未见任务上的有效行动,并证明其样本复杂度优势。
2026-05-25 cs.AI cs.RO
Allocation of Multi-Robot Tasks with Task Variants
任务分配是一个研究得很好的问题。在大多数先前的问题公式化中,假设每个任务都与一组唯一的资源需求相关联。在多机器人任务分配问题的范围内,这些要求可以通过机器人联盟来满足。在本文中,我们介绍了一个更一般的制定多机器人任务分配问题,允许一个以上的选项指定的一组任务要求-满足任何一个选项将满足任务。我们把这个新问题称为具有任务变量的多机器人任务分配问题。首先,我们从理论上证明了这种扩展幸运地不会影响复杂性类,它仍然是NP完全的。对于求解方法,我们采用了两种贪婪的方法来解决这个新问题,并分析了它们的有效性。特别是,我们“扁平化”的新问题的问题没有任务变量,修改以前的方法来解决扁平化的问题,并证明边界仍然成立。最后,我们彻底评估了这两种方法以及随机基线,以证明它们对新问题的有效性。
2020-07-01 cs.AI cs.MA
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
Learning Policies for Dynamic Coalition Formation in Multi-Robot Task Allocation
Electrical and Computer Engineering, King Abdullah University of Science and Technology (KAUST)(卡奥斯特大学科学与技术学院电气与计算机工程系);Department of Electrical Engineering, Federal University of Sergipe (UFS)(塞尔希培联邦大学电气工程系)
本文提出一种去中心化学习框架,通过扩展MAPPO并融合空间动作地图、运动规划、意图共享与任务分配修订,实现多机器人动态联盟形成,仿真验证其可扩展性与适应性。
2025-07-16 cs.MA cs.RO
A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University(同济大学上海智能自主系统研究院);Shanghai Institute of Intelligent Science and Technology, Tongji University(同济大学上海智能科学技术研究院)
针对动态环境下机器人群的任务分配优化问题,提出融合CTDE的LIA_MADDPG算法,通过LIA模块提升决策效率,实证表明其可无缝集成到多种MARL方法中,且在多维度性能上优于传统算法。
2024-11-29 cs.AI cs.MA 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
Decomposition-based Hierarchical Task Allocation and Planning for Multi-Robots under Hierarchical Temporal Logic Specifications
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
针对复杂时序逻辑规范下的多机器人任务分配与规划问题,提出基于分解的分层框架,通过原子子任务分解、任务网络构建及混合整数线性规划分配,在导航和操作仿真中实现更优解和更短运行时间。
2024-05-23 cs.AI cs.RO
A Mixed-Integer Linear Programming Formulation for Human Multi-Robot Task Allocation
Roma Tre University(罗马第三大学);University of Cassino and Southern Lazio(卡西诺与南拉齐奥大学)
在这项工作中,我们解决了人类多机器人设置的任务分配问题。给定一组要执行的任务,我们制定了一个一般的混合线性规划(MILP)问题,旨在最大限度地减少整体执行时间,同时优化执行任务的质量以及人类和机器人的工作量。代理人,人类和机器人的不同技能,被考虑在内,人类操作员能够直接执行任务或发挥监督作用;此外,如果需要执行任务,多个操纵器可以紧密合作。最后,作为人类环境中的现实,假设人类参数随时间变化,例如,由于人类疲劳程度的增加。因此,需要进行在线监测,并在需要时进行重新分配。仿真在一个现实的情况下,两个机械手和一个人类操作员执行装配任务验证了该方法的有效性。
2021-06-12 cs.RO
Very Large-scale Multi-Robot Task Allocation in Challenging Environments via Robot Redistribution
Dept. of Electronic Engineering, Sogang University(电子工程系,ソガン大学)
针对密集障碍和狭窄通道中的超大规模MRTA问题,提出基于广义Voronoi图路线图、组件划分与FIFO push-pop重分配的可扩展方法,以避碰防死锁并最小化makespan。
2025-06-08 cs.MA cs.RO
Multi-Robot Task Allocation using Global Games with Negative Feedback: The Colony Maintenance Problem
Old Dominion University(老道明大学)
本文提出一种基于全局博弈的负反馈机制,解决多机器人殖民地维护任务分配问题,避免正反馈导致的级联故障,并通过仿真验证其韧性。
2024-12-17 cs.RO
Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration
本综述聚焦人机协作(HRC)中人类被动参与、机器人难适配的问题,识别并连接直观信息交换与技能转移的关键组件,考察交互全流程,为更自适应、易访问的HRC指明趋势与方向。
2025-11-11 cs.AI cs.LG cs.RO
Energy-Aware Multi-Robot Task Allocation in Persistent Tasks
University of Georgia(佐治亚大学)
群体机器人执行觅食任务的适用性受到其紧凑的尺寸和成本的启发。执行这些任务需要大量的能量,特别是如果任务是连续的和/或重复的。在现实世界中,机器人在保持生存(生存能力)和最大化生产(性能)的同时连续执行任务,这需要能量意识。本文提出了一种节能的分布式任务分配算法来解决连续任务(例如,无限制的觅食),以实现高效的任务合作机器人。我们认为效率是机器人在探索和收集食物时返回收集箱所消耗的能量的函数。最后,所提出的节能算法最大限度地减少了总的运输时间充电站和充电时消耗的时间,并最大限度地提高机器人的寿命,以执行最大的任务,以提高协作机器人的整体效率。我们针对典型的贪婪基准测试策略(将最近的收集箱分配给可用机器人并最大限度地为机器人充电)评估了所提出的解决方案在各种情况下的效率和性能。与基线方法相比,所提出的方法显著提高了性能和效率。
2021-12-31 cs.RO
Learning Locally, Communicating Globally: Reinforcement Learning of Multi-robot Task Allocation for Cooperative Transport
Toyota Motor Corporation(丰田汽车公司);Nara Institute of Science and Technology(奈良科学技术研究所)
我们考虑任务分配多对象运输使用多机器人系统,其中每个机器人选择一个对象之间的多个对象具有不同的和未知的权重。现有的集中式方法假设机器人和任务的数量是固定的,这不适用于与学习环境不同的场景。同时,现有的分布式方法将机器人和任务的最小数量限制为恒定值,使得它们适用于各种数量的机器人和任务。然而,它们不能运输重量超过观察物体的机器人的负载能力的物体。为了使其适用于不同数量的机器人和对象的不同和未知的权重,我们提出了一个框架,使用多智能体强化学习任务分配。首先,我们介绍了一个结构化的政策模型,包括1)预先设计的动态任务优先级与全球通信和2)一个基于神经网络的分布式政策模型,确定协调的时机。分布式策略在局部观察下对高优先级对象建立共识,并选择合作或独立的行动。然后,通过试验和错误的多智能体强化学习的策略进行优化。这种局部学习和全局通信的结构化策略使我们的框架适用于不同数量的机器人和具有不同和未知权重的对象,如数值模拟所示。
2022-12-06 cs.RO
UWB Role Allocation with Distributed Ledger Technologies for Scalable Relative Localization in Multi-Robot Systems
University of Turku(图尔库大学)
基于超宽带(UWB)测距的多机器人系统相对定位系统最近成为GNSS拒绝环境的鲁棒解决方案。可扩展性仍然是关键挑战之一,特别是在ad-hoc部署中。最近的解决方案包括系统中不同机器人或节点的主动和被动定位模式的动态分配。随着大规模系统变得更加分布式,关键的研究问题出现在这些本地化系统的安全性和可信度的领域。本文研究了协作决策过程与分布式账本技术的潜在集成。具体来说,我们研究了在区块链中的智能合约中运行UWB角色分配算法的方法的设计和实现。在之前的工作中,我们分别研究了ROS 2与Hyperledger Fabric区块链的集成,并引入了一种新的基于UWB的可扩展本地化算法。在本文中,我们扩展了这些工作(i)运行实验与大量的移动机器人之间切换不同的空间配置和(ii)集成的动态UWB角色分配算法到织物智能合约的分布式决策系统中的多个移动机器人。这使我们能够在安全和可信赖的流程中提供相同的功能,并增强身份和数据访问管理。我们的研究结果显示了UWB角色分配对于六个自主移动机器人的连续变化的空间编队的有效性,同时证明了添加区块链层对延迟和计算资源的影响很小,不会影响本地化过程。
2022-08-29 cs.RO
Hypergraph-based Coordinated Task Allocation and Socially-aware Navigation for Multi-Robot Systems
Purdue University(普渡大学)
本文提出Hyper-SAMARL,一种基于超图和多智能体强化学习的多机器人任务分配与社会感知导航框架,通过超图扩散机制建模人机环境动态,在模拟实验中优于基线方法。
2025-03-07 cs.MA cs.RO
Correlation Clustering Based Coalition Formation For Multi-Robot Task Allocation
University of North Florida(北佛罗里达大学);East Central University(东中央大学)
本文研究了多机器人任务分配问题,其中一组机器人需要被分配到一组任务,以便任务可以最优地完成。一个任务可能需要多个机器人来完成,因此机器人需要组成联盟来完成这些任务。多机器人联盟形成任务分配问题是一个著名的NP难题。为了解决这个问题,我们使用了一个线性规划为基础的图形分区方法,以及区域增长策略,分配(近)最佳的机器人联盟的任务在一个可以忽略不计的时间。我们提出的算法是快速的(只需要230秒。对于100个机器人和10个任务),它还找到了一个接近最优的解决方案(最优的97.66%)。我们已经经验证明,本文提出的方法总是找到一个解决方案,这是更接近(高达9.1倍)的最优解比理论上的最坏情况下的约束证明在早期的工作。
2018-05-20 cs.MA cs.RO
Modeling and Evaluating Trust Dynamics in Multi-Human Multi-Robot Task Allocation
Purdue University(普渡大学);University of Michigan(密歇根大学)
本文提出期望确认信任(ECT)模型,用于多人类-多机器人团队任务分配中的信任动态建模,实验表明该模型相比五种现有信任模型和无信任基线能提高任务成功率、缩短完成时间并降低错误率。
2025-03-10 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
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
Analysis of Dynamic Task Allocation in Multi-Robot Systems
动态任务分配是多机器人系统在未知动态环境中工作的基本要求。它允许机器人响应环境变化或其他机器人的动作来改变其行为,以提高整体系统性能。紧急协调算法的任务分配,只使用本地传感器和机器人之间没有直接的通信是有吸引力的,因为它们是强大的和可扩展的。然而,缺乏正式的分析工具,使紧急协调算法难以设计。在本文中,我们提出了一个一般的动态任务分配机制的数学模型。使用这种机制的机器人必须在两种类型的任务之间进行选择,目标是在没有明确的通信和全局知识的情况下实现所需的任务分工。机器人从重复的局部观察中估计环境的状态,并根据这些观察决定选择哪个任务。我们将机器人和观测建模为随机过程,并研究集体行为的动力学。具体来说,我们分析了观测的数量和决策函数的选择对系统性能的影响。在多机器人多觅食场景中验证了数学模型。该模型的预测与基于传感器的模拟实验结果非常接近。
2006-04-27 cs.MA cs.RO
Initial Task Allocation for Multi-Human Multi-Robot Teams with Attention-based Deep Reinforcement Learning
Purdue University(普渡大学);Beijing University of Chemical Technology(北京化工大学)
本文针对多人类多机器人团队的初始任务分配问题,提出基于注意力深度强化学习的方法,通过跨属性注意力模块建模异构属性依赖,并在大规模威胁监视场景中验证了模型优势。
2023-07-07 cs.RO
Consensus-based Fast and Energy-Efficient Multi-Robot Task Allocation
Indian Institute of Technology Bhubaneswar(印度理工学院布巴内斯瓦尔分校);TCS Research(塔塔咨询服务公司研究院)
在一个多机器人系统中,将任务适当地分配给各个机器人是非常重要的组成部分。集中式基础设施的可用性可以保证任务的最佳分配。然而,在许多重要的场景中,如搜索和救援、勘探、灾害管理、战场等,以分散的方式将动态任务动态分配给机器人是唯一可能的选择。机器人之间的有效通信在任何这种分散的环境中都起着至关重要的作用。现有的分布式多机器人任务分配(MRTA)的工作要么假设网络是可用的,或者使用一个天真的通信范式。相反,在大多数情况下,网络基础设施要么不稳定,要么不可用,ad-hoc网络是唯一的手段。在无线传感器网络(WSN)/物联网(IoT)应用等自组织网络中,基于同步传输(ST)的无线通信协议的最新发展被证明比传统的基于异步传输的协议更有效。目前的工作是第一次努力,利用ST的MRTA。具体来说,我们提出了一种算法,有效地适应ST为基础的多对多的互动,并尽量减少信息交换,以达成共识的任务分配。我们展示了所提出的算法的有效性,通过广泛的基于模拟的研究,其延迟和能源效率在不同的设置。
2022-09-21 cs.NI cs.RO
Adaptive Task Allocation in Multi-Human Multi-Robot Teams under Team Heterogeneity and Dynamic Information Uncertainty
Purdue University(普渡大学);College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology(北京化工大学机电工程学院)
针对多人类多机器人团队任务分配中团队异质性、动态执行和信息不确定性问题,提出基于分层强化学习的ATA-HRL框架,结合初始任务分配、条件任务重分配和辅助状态表示学习,并通过大规模环境监测案例验证其有效性。
2025-03-11 cs.RO
SPACE: A Python-based Simulator for Evaluating Decentralized Multi-Robot Task Allocation Algorithms
Korea Aerospace University(韩国航空航天大学)
本文提出基于 Python 的 SPACE 仿真器,以插件、行为树 GUI、通信与局部任务感知支持去中心化 MRTA 算法评估,并通过 CBBA 与 GRAPE 的动态任务实验验证其效用。
2024-09-06 cs.AI cs.MA cs.RO
Temporal Logic Task Allocation in Heterogeneous Multi-Robot Systems
Duke University(杜克大学)
在本文中,我们考虑的问题,最优分配任务,表示为全球线性时序逻辑(LTL)规范,异构移动机器人团队。机器人被分为不同的类型,以捕捉它们不同的能力,每个任务可能需要多种类型的机器人。分配给每个任务的特定机器人是无关紧要的,只要它们是所需的类型。给定一个离散的工作空间,我们的目标是设计路径,即,序列的离散状态,为机器人,使LTL规范得到满足。为了获得一个可扩展的解决方案,这个复杂的时序逻辑任务分配问题,我们提出了一个分层的方法,首先分配特定的机器人任务使用的信息中包含的非确定性Buchi自动机(NBA),捕捉LTL规范的任务,然后设计低级别的可执行计划的机器人,尊重高级别的分配。具体来说,我们首先通过删除所有负原子命题来修剪和放松NBA。这一步是由机器人技术中的“惰性碰撞检查”方法激发的,并且允许通过仅在需要时检查约束满足来简化规划问题。然后,我们从放松NBA的子任务序列及其时间顺序,并制定了一个混合线性规划(MILP)分配这些子任务的机器人。最后,我们定义了广义多机器人路径规划问题,以获得低级别的可执行机器人计划,满足高级别的任务分配和时间约束捕获的负原子命题在原来的NBA。我们表明,我们的方法是完整的LTL的一个子类,涵盖了广泛的任务和目前的数值模拟表明,它可以生成路径的成本较低,大大快于现有的方法。
2022-02-13 cs.RO
FORMICA: Decision-Focused Learning for Communication-Free Multi-Robot Task Allocation
Dept.\ of Robotics Engineering, Worcester Polytechnic Institute, Worcester MA 01609, USA
FORMICA通过学习预测队友报价实现多机器人任务分配,无需通信,提升系统奖励17%,具备良好泛化能力。
2026-02-20 cs.RO
Reinforcement Learning of Multi-robot Task Allocation for Multi-object Transportation with Infeasible Tasks
Toyota Motor Corporation(丰田汽车公司);Nara Institute of Science and Technology(奈良科学技术研究所)
针对未知重量物体运输任务分配难及不可行任务导致死锁的问题,本文提出一种动态任务分配框架,通过存储并广播任务经验、让机器人学习任务排除等级,实现了可扩展的多机器人任务分配,提升了运输效率并避免了死锁。
2025-02-19 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
Consensus-Based Dynamic Task Allocation for Multi-Robot System Considering Payloads Consumption
College of Intelligence Science and Technology, National University of Defense Technology(国防科技大学智能科学学院)
针对多机器人任务分配中载荷消耗导致能力下降的问题,提出基于共识的增强型载荷算法CBPA,通过载荷束构建与共识两阶段迭代实现动态无冲突分配,在复杂动态场景下有效且总任务收益优于CBBA。
2024-12-13 cs.RO
Energy-Aware Task Allocation for Teams of Multi-mode Robots
Institute of Science Tokyo(科学东京大学);University of Waterloo(滑铁卢大学)
针对可在飞行、行驶、行走等模式间切换的机器人团队,提出能量感知的图编码与约束优化任务分配框架,并给出运动学和动力学模型下的收敛充分条件。
2025-03-17 cs.MA cs.RO cs.SY
Reactive Task Allocation and Planning for Quadrupedal and Wheeled Robot Teaming
Georgia Institute of Technology(佐治亚理工学院);Georgia Tech Research Institute(佐治亚理工研究院);UBTECH North America Research and Development Center Corporation(优必选北美研发中心有限公司)
本文采取的第一步,反应,分层多机器人任务分配和规划框架给出了一个全球性的线性时序逻辑规范。四足机器人和轮式机器人的能力通过异构团队来实现各种导航和交付任务。然而,当部署在现实世界中时,所有机器人都容易受到不同类型的干扰,包括但不限于运动故障,人为干预和环境障碍。为了解决这些干扰,我们提出了任务级的局部和全局重新分配策略,以有效地在线生成更新的动作状态序列,同时保证完成原始任务。这些任务重新分配方法消除了重建整个计划或重新合成新任务的过程。为了将任务规划器与低层输入相结合,行为树执行层监视不同类型的干扰,并采用重新分配方法来制定相应的恢复策略。为了评估这个规划框架,动态仿真进行了一个现实的医院环境中的异构机器人团队组成的四足和轮式机器人交付任务。
2022-06-21 cs.RO
Effective Multi-Robot Spatial Task Allocation using Model Approximations
Boğaziçi University(博阿齐奇大学)
现实世界中的多智能体规划问题不能解决决策理论的规划方法,由于指数的复杂性。我们近似消防救援模拟作为一个空间分布的任务和模型与多智能体马尔可夫决策过程。我们使用最近的空间任务问题的近似方法,以减少模型的复杂性。我们的近似是单代理,静态任务,最短路径修剪,动态规划视野,任务聚类。我们从RoboCup救援模拟地图创建场景,并在这些图形世界上评估我们的方法。结果表明,我们的方法是更快,更好地比可比的方法,并具有可忽略不计的性能损失相比,最佳的政策。我们还表明,我们的方法具有类似的性能DCOP方法的示例RCRS的情况下。
2016-06-04 cs.AI cs.MA cs.RO
Reinforcement Learning Based Heterogeneous Task Allocation Under Spatio-Temporal Environmental Uncertainty for Multi-Robot Teams
Stevens Institute of Technology(史蒂文斯理工学院)
针对海事干扰下的多机器人异构任务分配问题,提出基于强化学习的分散式策略网络,经模拟实验验证其完成时间最短,可适配100机器人、400任务的场景。
2026-10-14 cs.RO
Sample Greedy Based Task Allocation for Multiple Robot Systems
Cranfield University(克兰菲尔德大学)
研究了多机器人系统的任务分配问题。任务分配问题的主要问题是固有的复杂性,这使得在合理的时间内找到最佳解决方案几乎是不可能的。为了解决这个问题,本文开发了一个任务分配算法,可以分散利用子模块化的概念和采样过程。理论分析表明,该算法能以多项式时间的平均复杂度保证$1/2$在单调子模情形下的逼近,$1/4$在非单调子模情形下的逼近.为了检验所提出的算法的性能和验证理论分析结果,我们设计了一个任务分配问题,并进行了数值模拟。仿真结果表明,该算法在单调情况下的解质量与现有算法相当,而在非单调情况下的解质量要好得多,且计算复杂性要小得多.
2019-01-10 cs.MA cs.RO
Automatic MILP Model Construction for Multi-Robot Task Allocation and Scheduling Based on Large Language Models
Huazhong University of Science and Technology(华中科技大学);State Key Laboratory of Intelligent Manufacturing Equipment and Technology(智能制造装备与技术国家重点实验室)
针对多机器人任务分配调度中MILP建模依赖专家且生产数据需本地化的问题,提出融合本地LLM与领域知识库的自动建模框架,实现约束提取与代码生成。
2025-03-18 cs.AI 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
Concurrent-Allocation Task Execution for Multi-Robot Path-Crossing-Minimal Navigation in Obstacle Environments
School of Mechanical and Aerospace Engineering, Nanyang Technological University(机械与航空航天工程学院,南洋理工大学);School of Robotics, Hunan University(机器人学院,湖南大学);School of Transportation Science and Engineering, Beihang University(交通运输科学与工程学院,北航大学)
针对障碍环境下多机器人最小路径交叉导航现有方法易失效的问题,提出CATE算法,通过构建含整数与CBF约束的在线优化框架,同时实现分配与控制计算,在保证收敛性的同时提升导航效率并降低计算量。
2025-10-28 cs.RO
Uncertainty-Aware Multi-Robot Task Allocation With Strongly Coupled Inter-Robot Rewards
Aerospace Controls Lab, Massachusetts Institute of Technology(麻省理工学院航空航天控制实验室);Charles Stark Draper Laboratory(查尔斯·斯坦德·德拉珀实验室)
本文提出一种基于拍卖的任务分配算法,通过强耦合形式将任务分配给可能具备所需能力的机器人,以提高任务完成效率和减少延迟,实验表明相比冗余方法,使命价值提高了15%。
2026-07-22 cs.RO
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
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