Coverage Control for a Multi-robot Team with Heterogeneous Capabilities using Block Coordinate Descent (BCD) Method
Hong Kong University of Science and Technology(香港科技大学)
在本文中,我们提出了一个覆盖控制系统的多机器人团队与异构能力巡逻或监测有界环境。能力可以定义为机器人的任何标准,如剩余功率或移动速度,这取决于目的。所提出的控制系统旨在根据机器人的能力将环境的不同部分分配给机器人,即,具有较高能力的机器人占据环境的较大部分,而具有较低能力的机器人占据较小部分。我们使用块坐标下降(BCD)的方法来优化部分的位置和分区方法交替。一个集中的机器被用来同步的机器人和每个机器人的梯度可以计算在一个分布式的方式。仿真结果表明,所提出的控制系统的性能。
2022-04-20 cs.RO
Resilient Monitoring in Heterogeneous Multi-robot Systems through Network Reconfiguration
University of Southern California(南加州大学);Georgia Institute of Technology(佐治亚理工学院)
我们提出了一个框架的弹性网络异构多机器人团队资源故障。团队中的每个机器人都配备了与邻居共享的资源。此外,团队中的每个机器人执行一项任务,其性能取决于它可以访问的资源。当特定机器人上的资源变得不可用时(\eg摄像头停止工作),团队将以最佳方式重新配置其通信网络,以便受故障影响的机器人可以继续执行任务。我们专注于一个监控任务,机器人单独估计一个外源过程的状态。通过定义一个新的更强的可观测性概念-- \textit{one-hop observability},我们编码了机器人资源损失对团队监控性能的端到端影响。通过抽象的影响,{低级别}个人资源的任务性能,通过一跳可观察性的概念,我们的框架导致原则上重新配置的信息流在团队中,有效地取代一个机器人上丢失的资源与信息从另一个,只要满足一定的条件。网络重构问题转化为资源故障发生后在系统通信图中选择边进行修改的问题。基于有限时间收敛控制障碍函数的控制器将每个机器人驱动到使修改后的图的通信链路成为可能的空间位置。我们验证了我们的框架的有效性,通过部署在一个团队的差分驱动机器人估计的一组四旋翼的位置。
2021-08-07 cs.RO
Heterogeneity in Multi-Robot Environmental Monitoring for Resolving Time-Conflicting Tasks
University of Bristol(布里斯托大学)
研究多机器人系统在连续任务中因紧急子任务中断而产生的性能权衡,通过角色异质性和感知异质性分析,发现异质团队在多数情况下能更平衡地处理任务冲突。
2025-12-09 cs.RO
Distributed Navigation of Multi-Robot Systems For Sensing Coverage
School of Electrical Engineering and Telecommunications, The University of New South Wales(新南威尔士大学电气工程与电信学院)
本研究探讨分散控制的移动机器人覆盖问题。针对覆盖控制问题,存在与分散控制策略相关的不同方法。我们对这些方法进行了比较,并使用基于简单的局部协调规则的方法。我们调查这个广泛使用的最近邻规则为基础的方法开发覆盖控制算法。在这种方法中,一个移动机器人给予同等的重要性,每个邻居机器人在其通信范围内。我们通过使一些移动机器人比团队中的其他成员发挥更有影响力的作用来开发我们的控制方法。基于这种控制策略的方法变得有效的控制输入,说航向角,速度等达成共识的分散控制的移动机器人也可以表现出一些物理约束下的循环行为,如量化的方向的移动机器人。我们进一步研究循环行为出现由于移动机器人的量化控制在一定条件下。我们最近的邻居规则为基础的方法提供了一个有偏见的策略,循环行为的情况下出现在移动机器人的团队。我们认为一个集群技术的移动机器人团队内部。我们的分散控制策略计算移动机器人的邻居之间的相似性度量。移动机器人团队的相似性度量为基础的方法变得有效,在实现快速的共识,如航向角或速度。我们对我们开发的方法进行了严格的数学分析。我们还开发了一个条件的基础上放松的标准达成共识的速度或航向角的移动机器人。我们的验证方法是基于数学论证和广泛的计算机模拟。
2016-09-29 cs.RO
Multi-Agent Reinforcement Learning for Dynamic Ocean Monitoring by a Swarm of Buoys
Singapore University of Technology and Design(新加坡科技设计大学)
传统的海洋环境自主监测问题是一个区域覆盖问题,只有多机器人系统才能有效地完成。在本文中,我们专注于机器人群体,通常通过简单的群集行为从一个微妙的,但特设的生物启发的策略组合获得的操作和控制。我们提出了一种新的和结构化的方法,区域覆盖使用多智能体强化学习(MARL),有效地处理非平稳的环境特征。具体来说,我们提出了两种动态区域覆盖方法:(1)基于群的MARL,(2)基于覆盖范围的MARL。前者使用多代理深度确定性策略梯度(MADDPG)方法进行训练,而后者则引入了一个修改后的MADDPG版本,该版本具有内在导致集体行为的奖励函数。这两种方法进行了测试和验证,具有相同的表面积(正方形与矩形)不同的几何形状的区域产生可接受的区域覆盖,并受益于非平稳环境中的结构化学习。这两种方法都比单纯的群集方法有优势。然而,基于覆盖范围的MARL优于基于群的MARL,具有更强的收敛特性,在学习标准和更高的传播代理的区域覆盖。
2020-12-21 cs.RO
Practical Handling of Dynamic Environments in Decentralised Multi-Robot Patrol
University of Bristol(布里斯托大学);Bristol Robotics Laboratory(布里斯托机器人实验室)
研究去中心化多机器人巡逻中动态环境的实用处理,提出一种在线监测并调整环境动态的新方法,在高度动态场景中显著优于现实基准,并探讨了显式考虑环境动态的适用边界。
2025-09-16 cs.RO
Anchor-Oriented Localized Voronoi Partitioning for GPS-denied Multi-Robot Coverage
School of Computing, University of Georgia(佐治亚大学计算学院)
针对无GPS环境下多机器人覆盖缺乏全局定位的难题,提出基于公共锚点的动态局部Voronoi划分方法与共识协调算法,实验表明其性能与使用GPS的最先进方法相当。
2024-07-08 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
Multi-robot Dubins Coverage with Autonomous Surface Vehicles
University of South Carolina(南卡罗来纳大学)
在大规模覆盖操作中,例如海洋勘探或空中监测,单个机器人方法并不理想,因为它们可能需要太长时间来覆盖大面积。在这种情况下,多机器人方法是优选的。此外,一些现实世界的车辆是非完整的,但可以使用Dubins车辆运动学建模。本文重点介绍了使用自主水面车辆(ASV)的水环境监测。特别是,我们提出了一种新的方法来解决由Dubins车辆组成的多机器人团队完全覆盖已知环境的问题。值得注意的是,多机器人覆盖和Dubins车辆覆盖都是NP完全问题。因此,我们提出了两种基于旅行商问题的变体- K-TSP -制定和聚类算法,有效地解决了这个问题的算法。所提出的方法进行了测试,无论是在模拟,以评估其可扩展性,并与一个团队的ASV在湖上运行,以确保其在现实世界中的适用性。
2018-08-07 cs.AI 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
RANT: Ant-Inspired Multi-Robot Rainforest Exploration Using Particle Filter Localisation and Virtual Pheromone Coordination
RANT通过粒子滤波定位和虚拟信息素协调,实现多机器人在嘈杂环境中的高效雨林探索,提升热点识别与地图构建效率。
2026-02-10 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
Cooperative Informative Sensing for Monitoring Dynamic Indoor Environments via Multi-Agent Reinforcement Learning
Korea Advanced Institute of Science and Technology(韩国科学技术院);Stanford University(斯坦福大学);University of California, Berkeley(加州大学伯克利分校);University of California, Riverside(加州大学河滨分校)
本文提出利用多智能体强化学习进行协作信息感知,以提高动态室内环境监控的准确性,优于传统覆盖和学习无关的多机器人方法。
2026-04-25 cs.AI cs.MA cs.RO
Failure-Resilient Coverage Maximization with Multiple Robots
University of Maryland College Park(马里兰大学帕克分校)
使用多个机器人最大化覆盖范围的任务有几个应用,如监视,探索和环境监测。在实际场景中部署这种多机器人系统的主要挑战是确保对机器人故障的弹性。最近的一项工作介绍了弹性覆盖最大化(RCM)问题,其目标是最大限度地提高子模块覆盖效用时,机器人受到对抗攻击或失败。RCM问题是一个NP难问题。本文提出了两种求解RCM问题的近似算法,即有序贪婪算法(OrG)和局部搜索算法(LS)。这两种算法在准确性和运行时间方面都优于最先进的解决方案。为了证明我们提出的解决方案的有效性,我们经验比较我们提出的算法与现有的解决方案和蛮力最优算法。我们还进行了持续监测问题的案例研究,以显示我们提出的算法在实际环境中的适用性。
2021-03-04 cs.RO
Multi-Robot Coverage and Exploration using Spatial Graph Neural Networks
University of Pennsylvania(宾夕法尼亚大学)
多机器人覆盖问题是执行检查或搜索和救援等任务的系统的重要组成部分。我们离散化的覆盖问题,诱导的位置和代表机器人的节点在图中的空间图。然后,我们训练一个图神经网络控制器,它利用任务的空间等方差来模仿专家开环路由解决方案。这种方法可以很好地推广到更大的地图和更大的团队,这对专家来说是棘手的。特别是,该模型有效地推广到十个四旋翼和几十个建筑物的模拟。我们还证明了GNN控制器可以在探索任务中超越基于规划的方法。
2021-07-30 cs.RO
Balanced Line Coverage in Large-scale Urban Scene
Beijing University of Posts and Telecommunications(北京邮电大学)
线覆盖是指由机器人覆盖被建模为一维线段的线性基础设施,近年来受到关注。随着城市化进程的加快,城市面积和基础设施密度不断增加,由此带来两个问题:(1)由于能源约束,同质机器人团队难以覆盖从一个车场开始的大规模线性基础设施;(2)在城市大规模场景中,机器人路径的不均衡性大大延长了多机器人系统的时间开销,这种情况比在较小规模场景中更为严重。为了解决这些问题,我们提出了一个异构的多机器人方法,由几个团队组成,每个团队包含一个运输机器人(TRob)和几个覆盖机器人(CRobs)。首先,提出平衡图划分(BGP)算法,将道路网络划分为几个大小相似的子图,然后TRob将一组CRob快速传递到子图区域。其次,提出了一种平衡的ulusoy分割(BUP)算法,从子图中为每个CRob提取相似长度的旅游。在本文收集的七个不同规模的道路网络上进行了大量的实验。我们的方法实现了机器人的利用率为90%,最好的最大巡回长度的总巡回长度增加的成本很小,这进一步减少了整个系统的时间成本。源代码和道路网络可在https://github.com/suhangsong/BLC-LargeScale上获得。
2023-02-22 cs.RO
Cognitive Load-based Affective Workload Allocation for Multi-human Multi-robot Teams
Purdue University(普渡大学)
本研究针对多人多机器人团队协作场景,提出基于深度强化学习的情感化工作负荷分配控制器,结合认知负荷主客观测量动态调荷,经32人真实监控任务实验验证有效,为提升团队协作性能提供新方案。
2024-10-30 cs.HC 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
Multi-Agent Team Access Monitoring: Environments that Benefit from Target Information Sharing
Noblis(诺布利斯公司)
本文将单目标区域访问监控的最小割模型推广到多目标区域,提出逐目标迭代和整体考察两种方法,并通过仿真比较其在不同场景下的性能。
2024-03-28 cs.MA cs.RO
Capability-aware Task Allocation and Team Formation Analysis for Cooperative Exploration of Complex Environments
Stanford University(斯坦福大学);NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院)
针对复杂环境多机器人协同探索的自主部署需求,提出基于MDP的异质能力机器人任务分配与团队建模方法,在SubT挑战赛场景验证效果并分析团队设计权衡。
2024-11-01 cs.RO
Coverage Control in Multi-Robot Systems via Graph Neural Networks
GRASP Laboratory, University of Pennsylvania(宾夕法尼亚大学GRASP实验室);Treeswift;Department of Electrical and Systems Engineering, University of Pennsylvania(宾夕法尼亚大学电气与系统工程系)
本文提出了一种多机器人系统移动传感器覆盖的分散方法。我们考虑的情况下,一个团队的机器人有限的传感范围必须定位自己,以有效地检测感兴趣的事件在一个区域的特点是不同的重要性。为此,我们开发了一个分散控制政策的机器人-实现通过图神经网络-它使用机器人间的通信,利用非本地信息的控制决策。通过显式地共享多跳邻居之间的信息,分散控制器实现了更高的覆盖质量相比,经典的方法,不通信,只利用本地信息提供给每个机器人。仿真实验验证了多跳通信对多机器人覆盖的有效性,并评估了基于学习的控制器的可扩展性和可移植性。
2021-09-30 cs.RO
Multi-Robot Gaussian Process Estimation and Coverage: A Deterministic Sequencing Algorithm and Regret Analysis
Michigan State University(密歇根州立大学)
我们研究的问题,分布式多机器人覆盖在一个未知的,不均匀的感觉领域。作为一个实现的高斯过程和贝叶斯技术建模的感觉场,我们设计了一个政策,旨在平衡学习的感觉功能和覆盖的环境之间的权衡。我们提出了一种自适应覆盖算法,称为学习和覆盖的确定性排序(DSLC),它可以安排学习和覆盖时期,使其重点逐渐从探索转移到利用,同时永远不会完全停止学习。使用一种新的定义的覆盖遗憾的特点的整体覆盖性能的多机器人团队在一个时间范围$T$,我们分析DSLC提供一个上限预期的累积覆盖遗憾。最后,我们说明了该算法的经验性能,通过模拟的覆盖任务在一个未知的野火分布。
2021-06-01 cs.RO cs.SY eess.SY
Stochastic Nonlinear Ensemble Modeling and Control for Robot Team Environmental Monitoring
University of Pennsylvania(宾夕法尼亚大学)
我们寻求方法来建模,控制和分析机器人团队执行环境监测任务。在环境监测期间,目标是让机器人团队在固定区域内长时间收集各种数据。标准的自下而上的任务分配方法不会随着机器人数量和任务位置的增加而扩展,并且需要计算上昂贵的重新规划。或者,自顶向下的方法已被用来打击计算复杂性,但大多数已被限制在分析的方法,重点是任务之间的过渡时间。在这项工作中,我们研究了一类非线性宏观模型,我们用它来控制机器人在整个环境中执行不同任务的时变分布。我们提出的集成模型和控制保持所需的时变人口的机器人,利用自然发生的机器人之间的相互作用执行任务。我们验证我们的方法在多个保真度水平,包括实验结果,表明我们的方法来执行环境监测的有效性。
2022-12-22 cs.RO
RSPECT: Robust and Scalable Planner for Energy-Aware Coordination of UAV-UGV Teams in Aerial Monitoring
Department of Electrical and Computer Engineering, Northeastern University(东北大学电气与计算机工程系)
针对无人机与作为移动充电站的无人车在长期空中监控任务中的鲁棒规划问题,提出可扩展启发式算法RSPECT,通过混合整数规划建模并保证规划可行性与鲁棒性。
2026-06-16 cs.MA cs.RO
Team Orienteering Coverage Planning with Uncertain Reward
University of Texas at Austin(德克萨斯大学奥斯汀分校);Sony AI(索尼人工智能研究院)
许多市政当局和大型组织都有需要协调的车队,以执行垃圾回收或基础设施检查等任务。出于这一需要,本文重点讨论了常见的子问题,其中一个车队的车辆需要规划协调的路线,巡逻的迭代区域,同时最大限度地减少时间和空间相关的成本。特别地,在特定位置(例如,图上的顶点),我们假设成本以未知的速率在期望中线性增长,并且每当任何车辆访问顶点(表示服务于顶点的机器人)时,成本被重置为零。我们制定这个问题的图形术语,并称之为团队定向覆盖规划与不确定的回报(TOCPUR)。我们建议解决TOCPUR的同时估计在图上的每个顶点的累积成本,并解决一个新的变种的团队定向问题(TOP)迭代,我们称之为团队定向覆盖问题(TOCP)。我们提供了第一个混合整数规划制定的TOCP,作为一个显着的适应原来的TOP。我们引入了一个新的基准,由数百个随机生成的图比较不同的方法。我们提出的解决方案优于确切的TOP解决方案和贪心算法。此外,我们提供了一个演示我们的方法在一个团队的三个物理机器人在现实世界的环境。
2021-05-08 cs.RO
Cooperative Receding Horizon 3D Coverage Control with a Team of Networked Aerial Agents
KIOS Research and Innovation Centre of Excellence (KIOS CoE)(KIOS研究与创新卓越中心);University of Cyprus(塞浦路斯大学)
本研究针对多空中智能体三维物体协同覆盖问题,提出滚动时域控制方法,通过将可见性约束转化为逻辑约束嵌入混合整数优化,联合优化运动与相机输入并减少重复作业。
2024-01-28 cs.RO
Algorithms for Visibility-Based Monitoring with Robot Teams
Virginia Tech(弗吉尼亚理工大学);University of Pennsylvania(宾夕法尼亚大学)
我们研究的问题,规划路径的机器人视觉监控环境的团队。我们的工作是由监视和持续监控应用程序驱动的。我们给出了一组目标点在多边形的环境中,必须使用机器人与摄像机进行监控。目标是计算所有机器人的路径,使每个目标至少从一条路径可见。在其一般形式中,这个问题是NP-难的,因为它推广了画廊问题和守望者路线问题。我们研究两个版本:(i)几何版本在\emph{street polygons},我们给一个多项式时间$4$ -近似算法;及(ii)一般版本,我们提出了一个实际的解决方案,找到最佳的解决方案,在可能的指数时间。除了理论证明,我们还提出了模拟研究的结果。
2016-12-10 cs.RO
Two-Layer Voronoi Coverage Control for Hybrid Aerial-Ground Robot Teams in Emergency Response: Implementation and Analysis
UC Berkeley(伯克利大学);Squishy Robotics, Inc.(Squishy机器人公司)
本文提出一种两层Voronoi覆盖控制方法,通过解耦架构分别优化空地机器人定位并利用空投部署,解决了异构速度、初始聚集和紧急时间约束问题,使响应时间减少88%。
2025-10-12 cs.MA cs.RO cs.SY
Learning Submodular Objectives for Team Environmental Monitoring
University of Waterloo(滑铁卢大学)
在本文中,我们研究了著名的团队定向运动的问题,其中一队机器人收集奖励访问的位置。通常情况下,奖励被认为是已知的机器人;然而,在应用程序,如环境监测或场景重建,奖励往往是主观的,并指定它们是具有挑战性的。我们提出了一个框架来学习用户的未知偏好,通过向他们提供替代解决方案,用户提供了一个建议的替代解决方案的排名。我们考虑两种情况下的用户:1)确定性用户提供的替代解决方案的最佳排名,和2)噪声用户提供的最佳排名根据一个未知的概率分布。对于确定性的用户,我们提出了一个框架,以尽量减少从最佳解决方案,即遗憾的最大偏差的约束。我们调整的方法来捕捉嘈杂的用户,并尽量减少预期的遗憾。最后,我们展示了学习用户偏好的重要性和所提出的方法的性能在一组广泛的实验结果,使用真实世界的数据集环境监测问题。
2021-12-15 cs.RO
Cooperative and Distributed Reinforcement Learning of Drones for Field Coverage
University of Nevada, Reno(内华达大学里诺分校);NASA Ames Research Center(NASA艾姆斯研究中心)
提出了一种分布式多智能体强化学习(MARL)算法。建议的MARL算法允许无人机合作学习,以提供一个完整的覆盖范围的未知领域的兴趣,同时最大限度地减少重叠部分之间的视野。本文讨论了MARL中的两个挑战:首先,无人机团队联合行动的复杂动态,将使用博弈论相关均衡来解决;其次,将使用有效的函数逼近技术来解决高维状态空间表示的挑战。我们还提供了我们的实验结果详细的仿真和物理实现,以表明无人机团队可以成功地学习完成任务。
2018-09-16 cs.RO
Resilient Coverage: Exploring the Local-to-Global Trade-off
University of Southern California(南加州大学);Virginia Tech(弗吉尼亚理工学院暨州立大学)
我们提出了一个集中式控制框架,从异构池中选择合适的机器人,并将它们放置在适当的位置,以监视感兴趣的事件的区域。在机器人故障的情况下,框架重新定位机器人在用户定义的本地附近的故障机器人,以补偿覆盖损失。当简单地重新定位机器人无法达到用户指定的期望覆盖水平时,中央控制器从机器人池中增加额外的机器人来增强团队。失败机器人周围的局部邻域的大小和区域上的期望覆盖率是可以被操纵以实现用户指定的平衡的两个目标。我们调查的覆盖范围之间的权衡补偿实现通过本地重新定位和规划新的机器人位置所需的计算。我们还研究了本地邻域的大小和添加到团队中的额外机器人的数量之间的关系,对于给定的用户指定的所需覆盖范围。我们使用广泛的模拟和实验与七个四旋翼团队来验证我们的框架的有效性。此外,我们表明,要在具有大量机器人的邻域中达到高水平的覆盖率,扩大邻域大小比添加额外的机器人并重新定位它们更有效。
2020-04-15 cs.AI cs.MA cs.RO
Distributed Deep Reinforcement Learning for Intelligent Traffic Monitoring with a Team of Aerial Robots
University of Toronto(多伦多大学)
研究了一组空中机器人在路网中的交通监控问题。这个问题之所以具有挑战性,主要有两个原因。首先,交通事件在时间和空间上都是随机的。其次,该问题具有非齐次结构,因为交通事件以不同的速率到达道路网络的不同位置。因此,与其他位置相比,一些位置需要机器人更多的访问。为了解决这些问题,我们定义了道路网络的每个位置的不确定性度量,并制定了一个路径规划问题的空中机器人,以尽量减少网络的平均不确定性。我们将此问题表示为部分可观测马尔可夫决策过程(POMDP),并提出了一种基于深度强化学习的分布式可扩展算法来解决此问题。第一种情况假设代理持续与TMC通信以发送/接收关于交通事件的实时信息。因此,智能体对环境具有全局和实时的知识。然而,在第二种情况下,我们考虑一个具有挑战性的设置,空中机器人的观察是局部的,并限于其传感范围。此外,与第一种情况相比,空中机器人和TMC之间的信息交换仅限于特定的时间实例。我们评估我们所提出的算法在这两种情况下的一个真正的道路网络拓扑结构的性能,并证明其功能在交通监控系统。
2021-07-10 cs.AI cs.MA cs.RO
Robust and Scalable UAV-UGV Planning for Aerial Monitoring under Energy and Precedence Constraints
Northeastern University(东北大学)
针对UAV-UGV团队的空中监测任务,提出多项式时间算法联合规划路径与时间,在能量、顺序及扰动约束下最小化任务完成时间,通过数值比较验证性能。
2026-10-12 cs.MA cs.RO cs.SY
Multi-Agent Coverage in Urban Environments
University of Maryland, College Park(马里兰大学帕克分校)
我们研究多智能体覆盖算法在城市环境中的自主监测和巡逻。我们考虑的情况下,一队飞行代理使用向下面对的摄像头(或类似的传感器),以观察在街道上的建筑物外的环境。建筑物被认为是阻碍移动的障碍物,并且假设相机在最大高度以上无效。我们研究了与此场景相关的多智能体城市覆盖问题,包括:(1)静态多智能体城市覆盖,其中智能体被期望从静态位置观察环境,以及(2)动态多智能体城市覆盖,其中智能体连续移动通过环境。我们实验评估六种不同的多智能体覆盖方法,包括:三种类型的遍历覆盖(以不同的方式避免建筑物),割草机扫描,基于Voronoi区域的控制,和一个天真的网格方法。我们评估了所有算法的四个性能指标(覆盖率,修订计数,修订时间,以及随着时间的推移查看的区域的积分),在四种类型的城市环境[低密度,高密度] x [矮建筑物,高层建筑物],团队规模从2到25代理。我们相信这是第一次在城市环境中对这些方法进行广泛的比较。我们的研究结果突出了静态和动态方法的相对性能如何根据团队规模与搜索区域的比率而变化,以及城市环境的不同特征(高,矮,密集,稀疏,混合)对每个算法的相对影响。
2020-08-17 cs.RO
Coverage Control for Wire-Traversing Robots
Georgia Institute of Technology(佐治亚理工学院)
在本文中,我们考虑的覆盖控制问题的一队导线穿越机器人。机器人在平面环境中的二维运动必须投影到代表导线的一维流形上。从劳埃德的下降算法的覆盖控制,解决方案,产生连续运动的机器人上的电线。这是通过一个连续的线上(COW)地图来实现的:机器人的工作空间被映射到机器人的运动被约束的线上。最后的投影步骤,以确保配置的机器人上的电线是一个本地最小的约束位置成本。提出了一种连续约束覆盖控制问题的算法,并在仿真和一组移动机器人上进行了测试。
2018-02-24 cs.RO
3D Coverage Path Planning for Efficient Construction Progress Monitoring
Technical University of Darmstadt(达姆施塔特工业大学)
在施工现场,必须持续监控进度,以确保当前状态符合计划状态,从而提高效率和安全性,并在早期发现施工缺陷。自主移动机器人可以以高数据质量和一致性记录施工状态。然而,找到一条完全覆盖施工现场的路径是一项具有挑战性的任务,因为它可能很大,随着时间的推移缓慢变化,并且包含动态对象。现有的方法要么是需要长时间探索整个建筑物的探索方法,要么是不适合大型和复杂建筑物的对象扫描方法,要么是只考虑2D覆盖的规划方法。在本文中,我们提出了一种新的方法,用于规划高效的3D路径,以用于多层次大型建筑工地的进度监控。通过使用现有的3D模型,我们确保建筑物的所有表面都被传感器有效载荷覆盖,例如360度摄像机或激光雷达。这使得能够通过自主地面机器人对施工现场进度进行一致和可靠的监控。我们证明了人工和真实的建筑模型上的有效性,所提出的规划,显示出更短的路径和更好的覆盖范围比传统的勘探规划。
2023-02-02 cs.RO
Data-driven Spatial Classification using Multi-Arm Bandits for Monitoring with Energy-Constrained Mobile Robots
Aerospace Engineering and Mechanics department, University of Minnesota(明尼苏达大学航空航天工程与力学系);Aeronautics and Astronautics department, Massachusetts Institute of Technology(麻省理工学院航空与航天系);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室)
提出一种结合多臂老虎机高维规划与整数规划低维路径规划的层级方法,解决移动机器人团队在能量约束下对监测区域进行快速空间分类的问题。
2026-05-22 cs.RO
Dynamic Decentralized 3D Urban Coverage and Patrol with UAVs
本文提出了一种模块化框架和巡逻策略,使无人机群在灾害场景中实现协作和周期性覆盖。通过任务分配将感兴趣区域离散化为连接的视点路径,无人机团队在随机方向上沿路径移动并碰撞,实现3D城市环境的完整覆盖。
2024-06-14 cs.RO
Autonomous UAV Route Planning for Coverage Maximization in Environmental Monitoring: A Systematic Literature Review
该文献综述聚焦无人机环境监测的自主路径规划,遵循PRISMA 2020框架搜索相关研究。介绍筛选流程与初步分析结果,指出研究集中在特定方面,多依赖模拟验证,近期对强化学习等兴趣上升,凸显研究活跃但分散,需结构化综合以明确技术与差距。
2026-07-16 cs.AI cs.RO
Exploiting a Fleet of UAVs for Monitoring and Data Acquisition of a Distributed Sensor Network
Deakin University(迪肯大学);Murdoch University(莫道克大学)
本研究提出了一种有效的数据汇集策略,利用一组无人机(UAV)来监测和收集通常用于环境监测,气象,农业和可再生能源应用的大型分布式传感器网络的数据。该研究开发了一个协同任务规划系统,使无人机团队能够进行和完成传感器的数据汇集任务,同时考虑到现有的无人机有效载荷和电池容量的限制。建议的任务规划系统采用差分进化(DE)优化算法,使无人机最大限度地提高了传感器的优先级,并避免冗余收集传感器的数据的访问传感器节点的数量。建议的任务规划器进行评估,通过广泛的仿真和比较分析。仿真结果验证了该任务规划器用于分布式传感器网络监测和数据汇集的有效性和准确性。
2021-01-11 cs.RO
DORA: Divergence-Oriented Data-Relay Algorithm for Partially Connected Robot Teams
University of Pennsylvania(宾夕法尼亚大学)
针对部分连接异构无人机团队的通信与探索权衡问题,提出散度导向数据中继算法DORA,通过量化信息价值驱动通信,将MRT解析延迟最多降低74.8%。
2026-09-30 cs.RO
Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases
Institute for Systems and Robotics(系统与机器人研究所)
本文提出了一种用于稀疏、感知和协作网络化空中机器人团队的路径规划工具,通过考虑环境信息、能量限制和通信约束,优化任务目标并提升群体协作效率。
2026-07-21 cs.RO cs.SY eess.SY
Persistent Monitoring of Stochastic Spatio-temporal Phenomena with a Small Team of Robots
University of Southern California(南加州大学)
本文提出了一种解决方案,持续监测现实世界的随机现象,其中的基础协方差结构随时间急剧变化,使用少量的移动机器人传感器。我们提出了一个自适应的解决方案,随机现实世界的动态建模为高斯过程(GP)的问题。对基础协方差结构的信念是从最近观察到的动态中学习的,作为GP的低维超参数空间中的高斯混合(GM),并使用顺序蒙特卡罗方法在时间上进行调整。每个机器人从GM中采样一个置信点,并通过子模块熵函数的贪婪最大化来局部优化一组信息区域。本文的主要贡献有三个方面:采用马尔可夫链蒙特卡罗(MCMC)采样的协方差的信念,使粒子生存,即使在急剧的协方差变化随时间的推移;利用信念转换到一个分散的熵最大化的问题;和开发一个近似算法,以最大限度地提高连续空间中的一组信息区域的熵。我们通过使用人工数据集和来自固定传感器部署的多个真实数据集的广泛模拟来说明所提出的解决方案的应用,并将其与三种竞争最先进的方法进行比较。
2018-04-27 cs.AI cs.LG cs.RO
HMPCC: Human-Aware Model Predictive Coverage Control
Department of Sciences and Methods for Engineering, University of Modena and Reggio Emilia(工程科学与方法系,摩德纳和雷吉奥艾米利亚大学)
HMPCC通过整合人类运动预测,利用模型预测控制实现高效且适应性强的覆盖控制,提升人机协作效率。
2025-12-14 cs.RO
Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees
Georgia Institute of Technology(佐治亚理工学院)
近年来,研究人员委托机器人和无人机(无人机)团队进行准确的在线野火覆盖和跟踪。虽然大多数先前的工作集中在这种多机器人系统的协调和控制上,但迄今为止,这些UAV团队还没有被赋予推理火灾轨迹的能力(即,位置和传播动态)以在时间范围上提供性能保证。受空中野火监测问题的启发,我们提出了一个预测框架,该框架使多无人机团队能够在概率性能保证的情况下进行合作,以实现协作的现场覆盖和火灾跟踪。我们的方法使无人机推断的潜在火灾传播动力学的时间延长的协调在安全关键条件。我们推导出一组新的,分析的时间,和跟踪误差的界限,使无人机团队分配其有限的资源,并根据情况下的特定估计状态覆盖整个火灾区域,并提供概率性能保证。我们的结果不仅限于空中野火监测的案例研究,一般适用于问题,如搜索和救援,目标跟踪和边境巡逻。我们评估我们的方法在模拟和演示的物理多机器人测试平台上的建议框架,以考虑到真正的机器人动力学和限制。我们的定量评估验证了我们的方法的性能,分别比最先进的基于模型和强化学习基准测试的跟踪误差小7.5倍和9.0倍。
2022-06-21 cs.AI cs.RO cs.SY
Distributed Area Coverage with High Altitude Balloons Using Multi-Agent Reinforcement Learning
NREIP Intern(NREIP实习生);U.S. Naval Research Laboratory(美国海军研究实验室);U.S. Government(美国政府)
针对小型高空气球编队本地化区域覆盖任务中现有确定性方法表现不佳的问题,本研究扩展RLHAB仿真环境,将QMIX多智能体强化学习算法适配于该任务,实现了与理论最优确定性方法相近的性能,为复杂多HAB自主任务提供基础。
2025-10-04 cs.LG cs.MA cs.RO
Coverage Sampling Planner for UAV-enabled Environmental Exploration and Field Mapping
University of British Columbia(不列颠哥伦比亚大学);The Chinese University of Hong Kong(香港中文大学)
无人机(UAV)已经通过利用其移动传感、自主导航和远程操作的能力而被实施用于环境监测。然而,在现实世界的应用中,机载资源的限制(例如,无人机的供电能力将限制监测区域的覆盖范围和采集样本的数量,这将阻碍野外估计和制图的性能。因此,资源受限的问题需要一个有效的采样规划调度无人机为基础的环境监测传感任务。本文提出了一种覆盖采样和路径规划的无人机使移动传感器的任务规划器,以有效地探索和映射的未知环境,建模为一个随机场。所提出的规划器可以产生一个最佳的覆盖密度的探索性采样的覆盖路径,和相关的能源成本受到电源约束。所开发的框架的性能进行评估,并与现有的国家的最先进的算法相比,使用从环境监测计划以及物理现场实验收集的真实世界的数据集。实验结果表明,所提出的覆盖抽样规划的可靠性和准确性在事先调查的环境勘探和实地制图。
2019-07-12 cs.RO
AG-CVG: Coverage Planning with a Mobile Recharging UGV and an Energy-Constrained UAV
Woods Hole Oceanographic Institution (WHOI)(伍兹霍尔海洋研究所);University of Maryland(马里兰大学);University of Southern California(南加利福尼亚大学)
针对能量受限UAV与移动充电UGV的覆盖路径规划问题,提出启发式方法,通过路径聚类和图匹配优化会合充电,平均降低11.33%会合开销,并完成实物验证。
2024-03-15 cs.RO
Multi-vehicle Dynamic Water Surface Monitoring
Czech Technical University(捷克技术大学)
针对动态水面目标的探索与持续监测,本文提出基于时空奖励状态和滚动时域模型预测控制的多车辆协同规划方法,提升了运动学及团队定向问题性能并经实验验证可行。
2023-08-14 cs.RO
Heterogeneous Robot Teams for Informative Sampling
McGill University(麦吉尔大学)
在本文中,我们提出了一个合作的多机器人策略,自适应地探索和采样环境,是不利于人类。我们提出了一种方法,一个团队的异构机器人合作的信息为基础的规划应用程序,如在野火影响的网站采样热成像,以协助检测现场火灾和残留火灾,火灾测绘和监测火灾进展或应用程序在海洋领域的珊瑚礁监测和调查。我们使用基于Gabor滤波器的纹理分类器从无人机(UAV)的航空图像分割感兴趣的区域到类。基于策略梯度的路径规划器被用于纹理分类的航空图像上,以规划无人地面车辆(UGV)的路径。然后,UGV使用本地规划器通过避开障碍物来实现全球规划器设定的目标。UGV还在到达计划航路点时使用来自性能的反馈来学习分段类的标签,如可驾驶和不可驾驶。我们评估了我们的方法的组成部分,并将这些策略应用于不同的领域。
2019-06-17 cs.RO
Technical Report: Optimal Surveillance of Dynamic Parades using Teams of Aerial Robots
University of Nevada, Reno(内华达大学里诺分校)
本技术报告解决了使用一组空中机器人进行动态游行的路线的最佳监视问题。动态游行被认为是在城市环境中进行的,它是离散化的,在每次迭代中,该算法计算空中机器人团队成员的最佳位置,取决于他们的相机模型和环境中产生的遮挡。由于阅兵路线的覆盖率仅与其最小覆盖点的覆盖率一样高,因此优化目标是放置空中机器人,使得它们在阅兵路线的每个时刻都最大化对阅兵路线中的点的最小覆盖率。一组仿真研究被用来证明该方法的操作和性能特性,同时还提供了计算分析,并验证了所贡献的算法关于空中机器人团队的规模的良好的可扩展性。
2016-12-30 cs.RO
SCALOFT: An Initial Approach for Situation Coverage-Based Safety Analysis of an Autonomous Aerial Drone in a Mine Environment
University of York(约克大学)
本文提出测试方法SCALOFT,通过开发测试用例、实时监控和检测安全违规来评估矿井中自主无人机的安全性,并通过引入种子故障验证了其有效性。
2025-05-27 cs.RO
Multi-Agent Clarity-Aware Dynamic Coverage with Gaussian Processes
University of Michigan(密歇根大学)
本文结合高斯过程与随机微分方程,提出两种可扩展的多智能体清晰度感知动态覆盖控制器,并通过奥地利风场数据采集仿真验证其估计与覆盖性能。
2024-09-10 cs.RO cs.SY eess.SY
Multi-UAV Adaptive Path Planning Using Deep Reinforcement Learning
University of Bonn(波恩大学)
有效的航空数据汇集在许多遥感应用中是重要的。在大规模监测场景中,部署一组无人驾驶飞行器(UAV)可以提高空间覆盖范围和对个别故障的鲁棒性。然而,一个关键的挑战是无人机的合作路径规划,以有效地实现联合任务的目标。提出了一种新的基于深度强化学习的多智能体信息路径规划方法,用于无人机团队自适应地形监测场景。我们引入了新的网络特征表示,以有效地学习在3D工作空间中的路径规划。通过利用反事实基线,我们的方法明确地解决了信用分配学习合作行为。我们的实验评估表明,改进的规划性能,即更快地映射感兴趣的区域,相对于非反事实的变体。合成和现实世界的数据的结果表明,我们的方法具有优越的性能相比,最先进的非学习为基础的方法,同时可转移到不同的团队规模和沟通的限制。
2023-03-02 cs.RO