Distributed Spatial Awareness for Robot Swarms
针对仅具备局部感知与通信能力的机器人集群，本文提出利用机器人间的局部观测、高斯置信传播消息传递及集群持续运动，构建全局且分布式的集群中心参考系，以低带宽和低计算开销支持新集群算法，并在仿真中验证了系统并演示了两个示例算法。
2024-11-11 cs.RO
Towards Optimized Distributed Multi-Robot Printing: An Algorithmic Approach
SRM Institute of Science and Technology（SRM科学技术学院）；University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
本文提出了一种分布式多机器人印刷方法，利用优化方法将印刷任务分解并分配给一组移动机器人。这个问题的动机是通过使用适当的任务分解算法来最小化机器人的打印时间。我们提出了一个这样的算法，将图像分解成光栅化的测地线单元，然后将它们分配给机器人进行打印。此外，我们还提出了一种数控完整机器人的设计，能够在光滑表面上喷涂油墨。此外，我们使用该机器人进行实验验证本文的结果。
2021-03-14 cs.RO
Distributed Data Storage and Fusion for Collective Perception in Resource-Limited Mobile Robot Swarms
Worcester Polytechnic Institute（伍斯特理工学院）
在本文中，我们提出了一种方法的分布式存储和数据融合的集体感知资源有限的机器人群。我们证明了我们的方法在分布式语义分类的情况下。我们考虑一组移动机器人，其中每个机器人运行一个预先训练的已知精度的分类器来注释环境中的对象。我们提供了两个主要的贡献：（一）一个分散的，共享数据结构的有效存储和检索的语义注释，专门为低资源的移动机器人;和（ii）一个基于投票的，分散的算法，以减少方差的计算注释存在不完善的分类。我们讨论的理论和实现的贡献，并进行了广泛的现实模拟实验，以评估我们的方法的性能。
2020-12-15 cs.RO
Distributed Robotic Systems in the Edge-Cloud Continuum with ROS 2: a Review on Novel Architectures and Technology Readiness
University of Turku（图尔库大学）
机器人系统比以往任何时候都更加连接，网络化和分布式。最近出现了符合\textit{de facto}机器人中间件标准ROS\2的新架构，以填补从边缘到云部署的混合系统方面的空白。本文回顾了使容器化机器人应用程序能够在边缘或云中无缝运行的新架构和技术。我们还概述了包括从扩展到ROS\，2工具到Kubernetes和ROS\，2集成的解决方案的系统。另一个重要的趋势是机器人学习，以及新的模拟器和云模拟如何实现，例如，大规模强化学习或分布式联邦学习解决方案。这也使机器人系统开发的持续交互和持续部署（CI/CD）管道能够更深入地集成，超越了标准软件单元测试，通过模拟测试自动构建和验证代码。我们讨论了当前的技术准备情况，并列出了可能出现的新应用场景。最后，我们讨论了分布式机器人系统目前面临的挑战，并列出了该领域的开放研究问题。
2022-11-02 cs.RO
Distributed Optimization with Consensus Constraint for Multi-Robot Semantic Octree Mapping
University of California San Diego（加州大学圣迭戈分校）
本文提出一种带地图一致性约束的分布式优化算法，利用流式观测与单跳通信实现多机器人3-D语义建图，通过基于梯度的对数似然优化和自适应分辨率八叉树结构，高效构建多类地图并显著减少通信量。
2024-02-14 cs.RO
Technical Report: Asynchronous Distributed Trajectory Estimation of Multi-Robot Systems
针对多机器人系统中通信和计算异步的问题，提出异步块坐标下降算法，通过近似最大后验估计减少96.9%通信，证明指数收敛，误差比现有算法低64%。
2026-07-17 cs.RO
Distributed Timed Elastic Band (DTEB) Planner: Trajectory Sharing and Collision Prediction for Multi-Robot Systems
Technische Universität Dortmund（多特蒙德工业大学）
移动机器人的自主导航是机器人学中的一个研究热点。然而，导航任务变得具有挑战性时，多机器人系统必须合作导航动态环境与死锁倾向的布局。我们提出了一个分布式定时弹性带（DTEB）规划，结合优先级规划与在线TEB轨迹规划，以扩展后者的能力，多机器人系统。拟议的规划器能够在复杂环境中导航时，反应性地避免即将发生的碰撞，并预测性地解决机器人团队之间潜在的僵局。我们的模拟结果表明，在不同的环境设置的规划器的可靠性能和通用性。我们的方法的代码和测试可以在线获得。
2023-03-20 cs.RO
BDPGO: Balanced Distributed Pose Graph Optimization Framework for Swarm Robotics
Hong Kong University of Science and Technology（香港科技大学）
分布式位姿图优化是群机器人的基本技术之一。目前，DPGO的子问题都是建立在本机姿势上的。我们的验证证明，这种方法可能会引入一个不平衡的大小的子问题在现实世界的场景中，这会影响DPGO优化的速度，并可能增加通信的要求。此外，当群中的机器人发生故障或部分机器人断开连接时，不能保证估计的位姿的一致性。在本文中，我们提出了BDPGO，一个平衡的分布式位姿图优化框架，采用解耦的机器人位姿和DPGO的思想。BDPGO通过引入两阶段图划分方法来构建平衡子问题，以平衡的方式将位姿图中的位姿重新分配到机器人群中。我们的验证表明，BDPGO显着提高了优化速度，而不改变具体的算法DPGO在现实的数据集。更重要的是，我们还验证了BDPGO是鲁棒的机器人故障，在无线网络的变化。BDPGO能够在这些情况下保持估计姿态的一致性。该框架也有可能被应用到其他的协同同时定位与地图构建（CSLAM）的问题，涉及分布式解决的因素图。
2022-09-13 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
Information correlated Levy walk exploration and distributed mapping using a swarm of robots
University of Southern California（南加州大学）；Arizona State University（亚利桑那州立大学）
在这项工作中，我们提出了一种新的分布式方法，用于构建一个未知环境的占用网格地图，使用一群具有全局定位能力和有限的机器人间通信的机器人。机器人探索域通过执行Levy步行，其中它们的标题是通过最大化机器人的估计其环境的占用网格地图的形式和距离测量，它很可能获得当它在该方向上移动时，最大化之间的互信息来定义的。每个机器人都配备了激光测距传感器，它通过反复将自己的距离测量与相邻机器人广播的地图信息相结合来构建其占用网格地图。使用结果的平均共识随时间变化的图形拓扑结构，我们证明了所有的机器人的地图将最终收敛到实际的地图的环境。此外，我们证明了一种基于拓扑数据分析的技术，在我们以前的工作中开发的拓扑地图，可以很容易地扩展为自适应阈值的占用网格地图。我们通过一系列的二维仿真和多机器人实验验证了我们的分布式探索和映射策略的有效性。
2020-06-18 cs.RO
Distributed Simultaneous Action and Target Assignment for Multi-Robot Multi-Target Tracking
Virginia Tech（弗吉尼亚理工大学）；Aalto University（阿尔托大学）
研究了多机器人多目标跟踪分配问题。所提出的问题可以看作是混合包装和覆盖问题。为了解决传感和通信范围的限制，考虑了分布式方法。局部算法给出了理论上的运行时间和逼近比的最优解。我们采用局部算法的最大最小线性规划来解决所提出的任务。仿真结果表明，局部算法是解决多机器人任务分配问题的有效方法。
2018-11-06 cs.RO
Multi-Robot Target Monitoring and Encirclement via Triggered Distributed Feedback Optimization
University of Bologna（博洛尼亚大学）
本文提出一种嵌入ROS 2的触发式分布式反馈优化策略，使异构多机器人仅靠局部测量和异步通信即可协同监测包围目标并巡逻兴趣点，并通过仿真与实物实验验证其有效性。
2024-09-30 cs.RO
A Parallel Distributed Strategy for Arraying a Scattered Robot Swarm
TU Braunschweig（布伦瑞克工业大学）；Rice University（莱斯大学）
我们考虑在二维空间中组织一组分散的$n$机器人的问题，机器人之间具有几何最大距离$D$。群的通信图是连接的，但没有中央权威机构来组织它。我们希望将它们排列成具有最低和最高标签的机器人之间的有序和等间距阵列，同时保持连接的通信网络。在本文中，我们描述了一种分布式的方法来实现这些目标，而不使用中央控制，同时也保持时间，行程距离和通信成本最小。我们进行了许多阶段（领导选举，初始路径构建，子树收缩，几何拉直和分布式排序），其中没有一个需要一个中央权威，但仍然实现了最好的并行化。整体排列以$O(n)$时间、$O(n^2)$单个消息和$O(nD)$行进距离执行。分类和导航的实现使用固定大小的通信消息，并且是大量低成本机器人的实用解决方案。
2015-05-12 cs.RO
Distributed Camouflage for Swarm Robotics and Smart Materials
University of Colorado, Boulder（科罗拉多大学博尔德分校）
我们提出了一个分布式算法的一群活跃的粒子伪装在一个环境中。每个粒子都配备了传感、计算和通信功能，使系统能够从环境中获取颜色和梯度信息，并自组织成适当的模式。目前的人工伪装系统要么局限于静态图案，这是适应特定的环境，或依赖于背投影，这取决于观众的观点。受乌贼伪装能力的启发，我们提出了一种分布式估计和模式形成算法，可以快速适应不同的环境。我们目前的收敛结果在模拟以及一群微型机器人“水滴”的各种模式。
2017-09-20 cs.RO
Connectivity Maintenance for Multi-Robot Systems Under Motion and Sensing Uncertainties Using Distributed ADMM-based Trajectory Planning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
机器人之间的通信使多机器人系统能够有效地协调和执行复杂的任务。因此，对于许多多机器人系统来说，保持机器人之间的通信网络的连通性是必不可少的。在本文中，我们提出了一个多机器人系统的连通性维护的轨迹规划。我们首先定义一个加权无向图来表示系统的连通性。与以前的连通性维护工作，我们明确占机器人运动和传感器的不确定性，同时制定的图形边缘权重。这些不确定性导致不确定的机器人位置，直接影响系统的连通性。接下来，使用基于分布式交替方向乘数法（ADMM）框架的轨迹规划器将加权无向图的代数连通性维持在指定的下限以上。在这里，我们推导出ADMM优化步骤中所需的Hessian矩阵的近似值，以减少计算负载。最后，仿真结果表明，我们的轨迹规划器的连通性维护统计验证。
2021-12-16 cs.RO
Technical Report: Distributed Sampling-based Planning for Non-Myopic Active Information Gathering
University of Pennsylvania（宾夕法尼亚大学）
研究了多机器人系统的主动信息采集问题。具体来说，我们考虑的情况下，机器人的任务是减少不确定性的动态隐藏状态在复杂的环境中发展。大多数现有的信息收集方法是集中式的，因此，它们不能应用于分布式机器人团队，其中与中央用户的通信不可用。为了解决这一挑战，我们提出了一种新的分布式采样为基础的规划算法，可以显着提高机器人和目标的可扩展性，同时降低计算成本。在我们的非近视方法中，所有机器人都并行地构建局部树，探索信息空间及其相应的运动空间。当机器人构建各自的局部树时，它们与邻居进行通信，通过分布式卡尔曼滤波器交换和聚合关于隐藏状态的局部信念。我们证明了所提出的算法是概率完全的和渐近最优的。我们提供了大量的模拟结果，证明了所提出的算法的可扩展性，它可以解决大规模的，多机器人的信息收集任务，这是计算上具有挑战性的集中式方法。
2021-07-23 cs.RO
DiNNO: Distributed Neural Network Optimization for Multi-Robot Collaborative Learning
Stanford University（斯坦福大学）
我们提出了一种分布式算法，使一组机器人协作优化的参数，同时通过网状网络进行通信的深度神经网络模型。每个机器人只能访问自己的数据，并维护自己版本的神经网络，但最终学习的模型就像是在所有数据上集中训练的一样好。没有机器人通过无线网络发送原始数据，保护数据隐私并确保无线带宽的有效使用。在每次迭代中，每个机器人近似地优化一个增广拉格朗日函数，然后将得到的权重传递给它的邻居，更新对偶变量，然后重复。最终，所有机器人的局部网络权重达成共识。对于凸目标函数，我们证明了这种共识是一个全局最优。我们将我们的算法与两种现有的分布式深度神经网络训练算法进行了比较：（i）MNIST图像分类任务，（ii）多机器人隐式映射任务，以及（iii）多机器人强化学习任务。在我们所有的实验中，我们的方法都超过了基线，并且能够实现与集中训练模型相当的验证损失。请参阅\href{https://msl.stanford.edu/projects/dist_nn_train}{https://msl.stanford.edu/projects/dist\_nn\_train}获取视频和GitHub存储库的链接。
2021-09-17 cs.RO
A Distributed Multi-Robot Framework for Exploration, Information Acquisition and Consensus
Imperial College London（伦敦帝国理工学院）
针对多机器人复杂任务分布式协调中各层面割裂求解的问题，提出将探索、信息获取等全任务建模为多层连接的单因子图，采用支持并行/异步计算的高斯置信传播推理，首次验证分布式GBP可实现多机器人智能协作而非个体自私行为。
2023-10-03 cs.RO
A generic approach for reactive stateful mitigation of application failures in distributed robotics systems deployed with Kubernetes
Intel Labs（英特尔实验室）
本文提出一种基于行为树的通用方法，用于Kubernetes部署的分布式机器人系统的有状态反应式故障缓解，并在AMR导航和模拟操作中验证了其有效性和应用无关性。
2024-11-04 cs.RO
Swarm Relays: Distributed Self-Healing Ground-and-Air Connectivity Chains
Polytechnique Montreal（蒙特利尔理工学院）；École de Technologie Supérieure（高等技术学院）
机器人群的协调-大型分散的机器人团队-通常依赖于强大而有效的机器人间通信。在现场部署中，保持机器人之间的通信尤其具有挑战性。非结构化环境、有限的计算资源、低带宽和机器人故障都增加了连接维护的复杂性。在本文中，我们提出了一种新型的轻量级算法，可以在复杂环境中导航一组机器人，同时通过构建机器人链来保持连接性。该算法对单个机器人故障具有鲁棒性，并且可以修复中断的通信链路。该算法在3D环境中工作：当轮式机器人无法到达某个区域时，用飞行机器人扩展链。我们测试的算法使用多达100个机器人在基于物理的模拟器与三个迷宫和不同的机器人故障的情况下的性能。然后，我们验证算法的物理平台：7轮式机器人和6飞行的，在同质和异构的情况下。
2020-07-01 cs.RO
Distributed Invariant Kalman Filter for Object-level Multi-robot Pose SLAM
School of Data Science, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）数据科学学院）；System Hub, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）系统枢纽）
针对多机器人协作定位与跟踪需求，提出基于协方差交集的分布式不变卡尔曼滤波器，结合目标级测量降通信、李群建模保一致性，经实验验证兼具实用性与优越性。
2024-09-14 cs.RO
Distributed Multi-robot Online Sampling with Budget Constraints
University of California, Merced（加州大学默塞德分校）；Plaksha University（普拉卡莎大学）
本文提出一种基于MCTS的在线分布式多机器人采样算法，在预算约束下通过机器人间通信迭代选择采样位置，实验证明在预算紧张时能实现更小的重建误差。
2024-07-26 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
Partition-Tolerant and Byzantine-Tolerant Decision-Making for Distributed Robotic Systems with IOTA and ROS 2
University of Turku（图尔库大学）
随着自主机器人解决方案的日益普及，对它们的连接性和多机器人系统内的协作的兴趣正在上升。目前研究的两个方面是机器人安全和安全的多机器人协作强大的拜占庭代理。区块链和其他分布式账本技术（DLT）已经被提出来解决这两个领域的挑战。尽管如此，一些关键挑战包括可扩展性和在现实世界网络中的部署。本文提出了一种集成IOTA和ROS 2的方法，用于更可扩展的基于DLT的机器人系统，同时允许部署后的网络分区容差。据我们所知，这是IOTA智能合约在机器人系统中的首次实现，也是第一个与ROS 2集成的设计。这与依赖以太坊的绝大多数文献相比。我们提出了一个通用的IOTA+ROS 2架构，导致分区容忍的决策过程，也继承了嵌入式区块链结构的拜占庭容忍属性。我们证明了所提出的框架的有效性与间歇性网络连接的系统中的合作映射应用程序。我们在存在网络分区的情况下表现出了相对于以太坊的卓越性能，并且在计算资源利用率方面的影响较低。这些结果为区块链解决方案在分布式机器人系统中的更广泛集成开辟了道路，其连接和计算要求不那么严格。
2022-08-29 cs.RO
Distributed Relative Localization Based on Ultra-WideBand and LiDAR for Multi-robot with Limited Communication
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对无GPS且通信受限环境中同类多机器人的相对定位难题，提出基于UWB与LiDAR的分布式相对定位方法，经实验验证可实现良好定位精度。
2026-10-09 cs.RO
Distributed Safe Cooperative Vector Field for Trajectory Curvature Constrained Multi-Robot Systems
Hunan University（湖南大学）；National University of Defense Technology（国防科技大学）
针对多机器人轨迹曲率约束问题，提出分布式安全协作向量场方法，结合协作与避碰向量场，仅需邻居单个虚拟变量实现协作与避障，经仿真和实验验证。
2026-09-15 cs.RO
Distributed Multi-Robot Obstacle Avoidance via Logarithmic Map-based Deep Reinforcement Learning
Zhejiang University（浙江大学）；NetEase（网易）
在拥挤和狭窄的场景中为多个机器人开发安全，稳定和高效的避障策略具有挑战性。大多数现有的研究要么使用集中控制，要么需要与其他机器人进行通信。在本文中，我们提出了一种新的基于对数地图的深度强化学习方法，用于复杂和无通信的多机器人场景中的避障。特别是，我们的方法将激光信息转换为对数映射。作为提高训练速度和泛化性能的一步，我们的策略将在两个专门设计的多机器人场景中进行训练。与其他方法相比，对数地图能更准确地表示障碍物，提高避障成功率。最后，我们评估我们的方法在各种模拟和现实世界的情况下。实验结果表明，该方法在复杂的多机器人场景和行人场景中为机器人提供了一种更稳定、更有效的导航解决方案。有关视频，请访问https://youtu.be/r0EsUXe6MZE。
2022-09-14 cs.RO
A Distributed Online Optimization Strategy for Cooperative Robotic Surveillance
University of Bologna（博洛尼亚大学）
针对多机器人协作防护目标问题，提出一种基于分布式聚合在线优化的位置控制算法，可利用局部带噪测量重构全局信息并预测目标函数，仿真与四旋翼实验验证了其有效性。
2023-04-27 cs.RO
Task-priority Intermediated Hierarchical Distributed Policies: Reinforcement Learning of Adaptive Multi-robot Cooperative Transport
Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)（奈良科学技术大学信息科学研究生院）；R-Frontier Division, Frontier Research Center, Toyota Motor Corporation（丰田汽车公司前沿研究中心R前沿部）
本文提出分层分布式多智能体强化学习框架TIHDP，利用动态任务优先级连接局部任务分配与机器人控制，实现数量变化场景下的自适应多机器人协作运输。
2024-04-02 cs.RO
Distributed Cohesive Control for Robot Swarms: Maintaining Good Connectivity in the Presence of Exterior Forces
TU Braunschweig（布伦瑞克工业大学）
我们提出了一些强大的本地机制，以保持一个动态的机器人群有限的能力和信息，在存在外力和永久节点故障。我们提出了一组局部连续算法，共同产生一个推广的欧几里德斯坦纳树。在任何阶段，所得到的整体形状都实现了局部厚度、全局连接性和柔性之间的良好折衷，以进一步实现端子的连续运动。由此产生的群体行为的规模以及，对节点故障是强大的，并执行接近最好的已知的近似界相应的集中式静态优化问题。
2015-05-12 cs.RO
A Survey on Passing-through Control of Multi-Robot Systems in Cluttered Environments
Beihang University（北京航空航天大学）
本综述系统梳理了杂乱环境下多机器人穿越控制的四类算法，并比较其优劣，为改进现有方法指明方向。
2023-11-13 cs.RO
Distributed Formation Shape Control of Identity-less Robot Swarms
School of Automation Science and Electrical Engineering, Beihang University（北京航空航天大学自动化科学与电气工程学院）；Zhongguancun Laboratory（中关村实验室）
本文针对同构集群中无身份标识的分布式编队形状控制问题，提出动态编队描述方法和基于局部感知的完全分布式控制律，可处理平移、旋转及形状变形等机动编队，并通过仿真与飞行实验验证其有效性和鲁棒性。
2025-04-08 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
Distributed Optimization Methods for Multi-Robot Systems: Part I -- A Tutorial
Stanford University（斯坦福大学）
本教程为两部分系列的第一部分，旨在推动分布式优化在机器人学中的应用，其证明典型多机器人问题可纳入该框架，介绍三大类算法并通过仿真案例和硬件实现验证其效果。
2024-11-28 cs.MA cs.RO
DANCeRS: A Distributed Algorithm for Negotiating Consensus in Robot Swarms with Gaussian Belief Propagation
Dyson Robotics Lab and the Department of Computing, Imperial College London（戴森机器人实验室和帝国理工学院计算机系，帝国理工学院伦敦）
针对现有方法将机器人群体离散与连续决策空间共识视为不同问题的局限，提出统一分布式算法DANCeRS，通过因子图表示群体并利用高斯信念传播实现双域共识，经两个应用验证其可扩展性和效率优于近期方法。
2025-08-25 cs.RO
Distributed Relative Localization for Homogeneous Multi-Robot Systems through UWB Ranging and Limited Communications
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对同构多机器人系统外观相似难以区分的问题，提出融合LiDAR、UWB与里程计的分布式相对定位方法，仅需机载UWB交换里程计数据，经仿真和实验验证其有效可靠。
2026-10-09 cs.RO
Simultaneous Arrival Control for Distributed Multi-Robot Systems with Curvature and Constant-Speed Constraints
School of Artificial Intelligence and Robotics, Hunan University（湖南大学人工智能与机器人学院）；College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学与技术学院）
针对多机器人系统在曲率约束和恒速下同步到达目标点的难题，提出基于最大共识协议的分布式切换控制法，设计混合控制律，经仿真和实验验证了方法的有效性、鲁棒性等，还证明某些情况下可达理论最优到达时间。
2026-09-17 cs.RO
Distributed multi-robot potential-field-based exploration with submap-based mapping and noise-augmented strategy
Singapore University of Technology and Design（新加坡科技设计大学）；Inria Grenoble, Grenoble Alpes University（法国国家信息与自动化研究所格勒诺布尔分部，格勒诺布尔阿尔卑斯大学）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
针对未知环境多机器人探索中速度与协作能力的挑战，提出结合分布式子图协同建图、改进波前距离与有色噪声增强的势场探索方法，经仿真与真实场景验证，在探索速度和协作能力上优于现有方法。
2024-07-10 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
Distributed Optimization Methods for Multi-Robot Systems: Part II -- A Survey
Stanford University（斯坦福大学）
本文作为两部分系列综述的第二部分，聚焦多机器人系统的完全分布式优化算法，综述了分布式一阶、分布式序列凸规划及ADMM三类方法的结构与变体，分析假设的实际意义并指出机器人领域相关开放挑战。
2024-11-28 cs.MA cs.RO
A Survey on Blockchain Technology and Its Potential Applications in Distributed Control and Cooperative Robots
The Hong Kong Polytechnic University（香港理工大学）；Shanghai University（上海大学）
作为一种颠覆性的技术，区块链，特别是比特币作为一种数字货币的原始形式，引起了人们的极大关注。创新的分布式决策和安全机制为其成功奠定了技术基础，使我们考虑将区块链技术的力量渗透到分布式控制和协作机器人中，其中对分布式和安全机制的要求也很高。实际上，安全和分布式通信一直是分布式控制和协作机器人领域中尚未解决的问题。分布式控制系统和多机器人系统的网络故障和入侵者攻击已被报道。区块链技术提供了彻底纠正这种情况的承诺。这项工作旨在以控制和机器人语言创建区块链技术的工作原理和关键要素的全球图景，为初学者提供进入这一研究领域的捷径。
2018-12-20 cs.CR cs.RO
Distributed Obstacle and Multi-Robot Collision Avoidance in Uncertain Environments
University of New South Wales（新南威尔士大学）；Australian National University（澳大利亚国立大学）
针对异构移动机器人在未知环境下的分布式领导-跟随控制问题，提出了一种基于机器人避障、避碰和可靠通信的分布式领导-跟随控制方法。为了防止机器人之间的碰撞，我们采用虚拟的机器人之间的推进力。对于避障，我们提出了一种新的分布式负虚（NI）变量编队跟踪控制方法和动态网络拓扑结构的方法，它允许形成改变其形状和机器人切换他们的角色。在通信或传感器丢失的情况下，由具有良好风阻特性的非负虚（SNI）控制器控制的UAV利用其相机来跟踪UGV编队的位置。仿真和室内实验验证了所提出的方法。
2018-11-15 cs.MA cs.RO
A Tutorial on Distributed Optimization for Cooperative Robotics: from Setups and Algorithms to Toolboxes and Research Directions
University of Bologna（博洛尼亚大学）
本文探讨了分布式优化在协作机器人中的应用，介绍了约束耦合和聚合优化框架，并展示了相关算法、工具箱及在异构机器人网络上的实验验证。
2025-04-02 cs.RO math.OC
Swarm robotics in wireless distributed protocol design for coordinating robots involved in cooperative tasks
University of Calabria（卡拉布里亚大学）；Middlesex University London（伦敦密德萨斯大学）
在未探测区域探测地雷是一个优化问题，其中需要在最短的时间内发现并拆除随机分布在整个区域的多个地雷。我们提出了一种策略，探索一个未知的领域，使用基于蚂蚁行为的stigmergy方法，和一种新的基于群的协议，以招募和协调机器人解除地雷合作。仿真测试表明，我们提出的基于蚂蚁的任务机器人协调（ATRC）的有效性，只有探索任务，探索和招募策略。多个最小化的目标被认为是：机器人的招聘时间和整个区域的探索时间。我们讨论，通过模拟，不同的情况下，不同的网络和现场条件下，由机器人执行。结果表明，所提出的分散方法使机器人群体能够在没有任何中央控制的情况下智能地执行协作任务。
2018-04-22 cs.AI cs.RO
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
Distributed Control of Multi-Robot Systems in the Presence of Deception and Denial of Service Attacks
Purdue University（普渡大学）
本研究提出了一种分布式切换控制，以确保多机器人系统在网络攻击的存在。两种主要类型的网络攻击被认为是：欺骗攻击和拒绝服务（DoS）攻击，这损害了资源的完整性和可用性，分别。首先，基于残差的攻击检测方案被引入到识别攻击的类型。然后，切换控制的设计，以中和所识别的攻击的影响，满足机器人之间的状态共识所需的性能保证。对于欺骗攻击的类型，无协调共识协议被设计成以未妥协的机器人比妥协的机器人获得更多权重的方式来调整每个机器人的权重。对于类型的拒绝服务攻击，领导者-追随者协议，重新配置的通信拓扑结构被用来转换受损的机器人到子机器人以下的领导者。在Robotarium多机器人试验台上对所提出的方法的性能进行了评估。一个完整的演示与广泛的情况下，可在https://youtu.be/eSj0XS2pdxI。
2021-01-29 cs.RO math.OC
The Pluggable Distributed Resource Allocator (PDRA): a Middleware for Distributed Computing in Mobile Robotic Networks
Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）
我们提出了可插拔分布式资源分配器（PDRA），异构移动机器人网络中的分布式计算的中间件。PDRA使自主机器人代理能够共享计算资源，用于计算昂贵的任务，如定位和路径规划。它位于现有的单代理计划器/执行器和现有的计算资源（例如ROS包）之间，拦截执行器的请求，如果需要，透明地将它们路由到其他机器人执行。PDRA是可插拔的：它可以集成到现有的单机器人自治堆栈中，只需进行最小的修改。任务分配决策由混合整数规划算法执行，以共享世界的方式解决，该算法对CPU资源，延迟要求和多跳，周期性，带宽有限的网络通信进行建模;该算法可以最大限度地减少整体能源使用或最大限度地提高完成可选任务的奖励。仿真结果表明，PDRA可以减少能源和CPU的使用率超过50%，在代表性的多机器人场景相比，一个天真的调度器;运行在嵌入式平台上;并表现良好的延迟和中断容忍网络（DTNs）。PDRA在开源许可证下向社区提供。
2020-10-26 cs.MA cs.RO
Distributed Allocation and Scheduling of Tasks with Cross-Schedule Dependencies for Heterogeneous Multi-Robot Teams
University of Zagreb（萨格勒布大学）；Universidad de Sevilla（塞维利亚大学）
为了在日常生活中安全有效地使用多机器人系统，必须开发一种鲁棒且快速的方法来协调它们的动作。在本文中，我们提出了一个分布式任务分配和调度算法的任务中，不同的机器人的任务是紧耦合的时间和优先约束。该方法是基于代表的车辆路径问题的一个变种的问题，并使用分布式元启发式算法的基础上演化计算（CBM-POP）的解决方案。这种方法允许快速和接近最优的分配，因此可以用于在任务变化的情况下进行在线重新规划。仿真结果表明，该方法具有更好的计算速度和可扩展性，而不会损失最优性相比，最先进的分布式方法。规划过程的实际使用情况下，由多机器人系统温室维护的应用。
2021-09-07 cs.AI cs.RO
DGORL: Distributed Graph Optimization based Relative Localization of Multi-Robot Systems
University of Georgia（佐治亚大学）
优化问题是许多机器人估计、规划和最优控制问题的核心。在基于模型的多机器人定位方面已经进行了几次尝试，很少有人将多机器人协作定位问题制定为因子图问题，通过图优化来解决。这里，优化目标是以分布式方式最小化估计相对位置估计的误差。我们的新的图论方法来解决这个问题包括三个主要组成部分;（连接）图形的形成，通过过渡模型的扩展，和相对姿态的优化。首先，我们使用连接的机器人之间的接收信号强度来估计相对姿态连接图，指示它们之间的相对范围。然后，我们应用一个运动模型来制定图形扩展和优化它们使用g $^2$ o图形优化作为一个分布式求解器在动态网络。最后，我们从理论上分析了该算法，并通过大量的模拟数值验证其最优性和性能。结果表明，所提出的解决方案的实用性相比，一个国家的最先进的算法在多机器人系统的协作定位。
2022-10-04 cs.MA cs.RO
Distributed Mission Planning of Complex Tasks for Heterogeneous Multi-Robot Teams
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）
在本文中，我们提出了一种分布式多阶段优化方法规划复杂任务的异构多机器人团队。这类问题涉及可以以不同方式执行的任务，并且与约束系统中不同机器人的时间表的交叉时间表依赖性相关联。所提出的方法涉及一个多目标的任务启发式搜索，表示为一个层次树，定义了任务的目标。这个过程输出了几种完成任务的有利方式，这些方式直接输入到方法的下一阶段。我们提出了一个分布式的元启发式的基础上演化计算分配任务，并产生一组选定的分解时间表。该方法在自动化温室用例的模拟设置中进行了评估，在那里我们展示了该方法根据可用机器人和给定的优化标准来调整规划策略的能力。
2021-09-21 cs.AI cs.RO
Distributed Visual-Inertial Cooperative Localization
University of California, Riverside（加州大学河滨分校）；University of Delaware（特拉华大学）
在本文中，我们提出了一个一致的和分布式的状态估计多机器人合作定位（CL），有效地融合环境特征和跨时间和机器人的闭环约束。特别是，我们利用协方差交集（CI），让每个机器人只估计自己的状态和自协方差，并补偿机器人之间的未知相关性。两种新的多机器人方法，利用共同的环境SLAM功能的介绍和评估的准确性和效率。此外，我们适应CI，使漂移免费估计通过使用闭环测量约束其他机器人的历史姿势，而不会显着增加计算成本。所提出的分布式CL估计验证其非实时集中式对应广泛的模拟和现实世界的实验。
2021-08-17 cs.CV 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
Distributed State Estimation Using Intermittently Connected Robot Networks
Duke University（杜克大学）
研究了多机器人系统的分布式状态估计问题。机器人的通信能力有限，因此，只有当它们在物理上彼此接近时，才间歇地传送它们的测量结果。为了减少机器人只需要进行通信的距离，我们将它们分成小团队，这些小团队可以在不同的位置进行通信，以共享信息并更新它们的信念。然后，我们提出了一个新的分布式方案，结合（i）通信时间表，确保网络是间歇性连接，和（ii）采样为基础的运动规划的机器人在每个团队的目标，以收集最佳的测量和决定这些机器人的位置进行通信。据我们所知，这是第一个分布式的状态估计框架，放松所有的网络连接的假设，并控制间歇性的通信事件，使估计的不确定性最小化。我们目前的模拟结果表明，显着提高估计精度相比，保持一个端到端的连接网络的所有时间的方法。
2018-09-19 cs.IT cs.RO math.IT
LEMURS: Learning Distributed Multi-Robot Interactions
Universidad de Zaragoza（萨拉戈萨大学）；University of California San Diego（加州大学圣地亚哥分校）
本文介绍了LEMURS，学习可扩展的多机器人控制策略的合作任务演示的算法。我们提出了一个端口哈密顿描述的多机器人系统，利用互联系统中的通用物理约束，实现闭环稳定性。我们代表了一个多机器人控制策略，使用的架构，结合了自我注意机制和神经常微分方程。前者处理机器人团队中的时变通信，而后者则尊重连续时间机器人动态。我们的代表是分布式的建设，使学习的控制策略部署在不同规模的机器人团队。我们证明了LEMURS可以从多智能体导航和群集任务的演示中学习交互和合作行为。
2023-02-21 cs.RO cs.SY eess.SY
