Evolving Multi-Objective Neural Network Controllers for Robot Swarms
University of Galway(戈尔韦大学);University of Bristol(布里斯托大学)
提出多目标进化神经网络方法训练群体机器人控制器,在低保真模拟中进化,可迁移至高保真环境并扩展至更多机器人,无需重训。
2023-07-26 cs.LG cs.NE cs.RO
Securing Federated Learning in Robot Swarms using Blockchain Technology
CASCB, University of Konstanz(康斯坦茨大学CASCB);Department of Collective Behaviour, Max Planck Institute of Animal Behavior(马克斯·普朗克动物行为研究所群体行为系)
本文提出利用区块链智能合约在机器人集群中实现去中心化联邦学习,并设计防篡改保护机制以抵御故障机器人对训练过程的干扰。
2024-09-03 cs.RO
Hierarchical Control of Smart Particle Swarms
Polytechnique Montreal(蒙特利尔理工学院);The University of British Columbia(不列颠哥伦比亚大学)
提出由工作者与引导者构成的分层机器人群控制方法,通过调节局部交互参数实现大规模编队塑形,并在仿真和实体机器人上验证了可扩展性与有效性。
2023-07-14 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
Past, Present, and Future of Swarm Robotics
Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学);Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
群机器人是一个新兴的领域,适应自然群体的现象,机器人。这是一项机器人研究,旨在模仿自然群体,如蚂蚁和鸟类,以形成一个可扩展,灵活和强大的系统。这些机器人表现出自我组织、自治、合作和相互协调。成本和设计复杂性因素旨在保持低水平,因此试图形成与自然蜂群非常相似的系统。机器人在没有任何中央实体来控制它们的情况下操作,并且机器人之间的通信可以是直接的(机器人到机器人)或间接的(机器人到环境)。群机器人有着广泛的应用领域,从简单的家务到军事任务。本文回顾了群体机器人方法的历史和未来。它讨论了群体机器人的基本思想,它的重要特征,模拟器,项目,现实生活中的应用和一些未来的想法。
2021-01-03 cs.MA cs.RO
Asymmetric physics enables efficient learning in quadrupedal robot swarms
Shanghai Jiao Tong University(上海交通大学);Independent Researcher(独立研究者)
通过非对称物理方法,将高保真非可微模拟器与可微代理模型结合,实现多达512个四足机器人在障碍环境中高效学习视觉去中心化协调策略,并零样本迁移到真实机器人。
2026-06-23 cs.RO
Distributed Surface Inspection via Operational Modal Analysis by a Swarm of Miniaturized Vibration-Sensing Robots
Faculty of Science and Engineering, University of Groningen(格罗宁根大学科学与工程学院)
本文提出利用微型振动感知机器人集群进行分布式表面检测,结合高斯过程估计器引导探索与运行模态分析,在高保真仿真环境中有效定位并检测钢制表面结构损伤。
2025-07-10 cs.RO
Self-organizing Nervous Systems for Robot Swarms
Université Libre de Bruxelles(布鲁塞尔自由大学);University of Southern Denmark(南丹麦大学)
提出自组织神经系统SoNS,通过动态多层级层级让机器人群体在局部集中协调与自组织优势间取得平衡,并在真实异构空地群体和250机器人仿真中验证其性能与容错性。
2024-01-23 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
SwarmLab: a Matlab Drone Swarm Simulator
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Laboratory of Intelligent Systems (LIS)(智能系统实验室)
在无人机群模拟的可用解决方案中,我们发现了模拟框架中的一个差距,该框架允许简单的算法原型设计,调整,调试和性能分析,并且不需要用户使用多种程序设计语言。我们介绍了SwarmLab,一个完全用Matlab编写的软件,旨在创建标准化的流程和指标,以量化群算法的性能和鲁棒性,特别是它专注于无人机。我们展示了SwarmLab的功能,通过比较两个国家的最先进的算法,在混乱的环境中,Olfati-Saber和Vasarhelyi的空中蜂群的导航。我们分析了飞行过程中智能体间距离和智能体速度的变化。我们还研究了一些性能指标,即秩序,内部和外部代理的安全性,工会和连通性。虽然Olfati-Saber的方法可以更快地穿越障碍场,但Vasarhelyi的方法可以让代理人飞行更平滑的轨迹,没有振荡。我们相信SwarmLab与生物和机器人研究社区以及教育相关,因为它允许快速算法开发,自动收集模拟数据,系统分析群集行为,并从最先进的性能指标中继承。
2020-09-23 cs.RO
Development of a Swarm UAV Simulator Integrating Realistic Motion Control Models For Disaster Operations
University of Nevada, Reno(内华达大学雷诺分校)
无人机的仿真环境对于用户界面的原型设计和培训在现实世界中操作无人机的人员非常有用。这种模拟的实际操作只会提高这种培训的价值。在本文中,我们提出了一个基于模型的航点导航控制器集成到雷诺救援模拟器的目的,在模拟环境中提供一个更逼真的用户界面。我们还提出了这种模拟的潜在用途,即使是现实世界中的无人机操作。
2017-11-01 cs.RO
Congestion and Scalability in Robot Swarms: a Study on Collective Decision Making
École Polytechnique de Montréal(蒙特利尔高等理工学院);University of Konstanz(康斯坦茨大学)
针对机器人群体二元集体决策中的通信与移动拥塞问题,本文在最多150台机器人的物理仿真中比较三种方法,发现 Division of Labor 结合版本化局部通信最能降低拥塞并提升可扩展性。
2023-07-17 cs.MA cs.RO
A Scalable and Adaptable Multiple-Place Foraging Algorithm for Ant-Inspired Robot Swarms
University of New Mexico(新墨西哥大学);Santa Fe Institute(圣塔菲研究所)
单个机器人在探索大片未绘制地图的区域时效率不高。另一种方法是使用一群简单的机器人一起工作,而不是一个高能力的机器人。中心地觅食算法(CPFA)是协调机器人群体搜索和收集任务的有效方法。机器人从中心位置(巢穴)开始,在没有全局定位或中央控制的情况下探索该区域的潜在目标,并将目标返回巢穴。CPFA的可扩展性是有限的,因为大量的机器人产生更多的机器人间的碰撞和大的搜索区域导致大量的旅行成本。我们解决这些问题的多地觅食算法(MPFA),它使用多个巢分布在整个搜索区域。机器人从一个随机分配的巢穴开始,但会带着找到的目标返回最近的巢穴。我们在机器人仿真器ARGoS中模拟了机器人群体的觅食行为,并采用遗传算法发现不同的优化觅食策略作为群体规模和目标数量的比例增加。在我们的实验中,MPFA总是产生更高的觅食率,更少的碰撞,和更低的旅行和搜索时间相比,CPFA的部分聚类目标分布。本文的主要贡献是,我们系统地量化的优点MPFA(减少旅行时间和碰撞),潜在的缺点(机器人之间的通信较少),和遗传算法的能力,调整MPFA参数,以减轻搜索效率低下,由于通信较少。
2016-12-01 cs.MA cs.RO
Discovery and Deployment of Emergent Robot Swarm Behaviors via Representation Learning and Real2Sim2Real Transfer
University of Utah(犹他大学);George Mason University(乔治梅森大学);University of Hawaii at Manoa(马诺阿夏威夷大学)
本研究提出基于自监督表示学习与新颖性搜索的Real2Sim2Real方法,自动发现涌现群体行为并实现仿真到真实机器人的直接迁移,优于手工度量标准。
2025-02-21 cs.AI cs.MA cs.RO
Collective Bayesian Decision-Making in a Swarm of Miniaturized Robots for Surface Inspection
University of Groningen(格罗宁根大学);University of Southern California(南加州大学);Princeton University(普林斯顿大学)
本研究提出一种基于振动传感的微型机器人集群表面检测实验装置,研究贝叶斯双结果决策算法,开发仿真优化框架,提出新信息共享策略,在100次仿真和10次真实实验中使平均决策时间最多缩短20.52%,准确率仅损失0.78%。
2025-07-10 cs.RO cs.SY eess.SY
Evolutionary Swarm Robotics: Dynamic Subgoal-Based Path Formation and Task Allocation for Exploration and Navigation in Unknown Environments
University of Jaffna(贾夫纳大学)
本文提出基于子目标的路径形成与任务分配策略,解决未知环境中群体机器人的探索导航及交通拥堵问题,仿真验证其优于A*算法,具有可扩展性和鲁棒性。
2023-12-27 cs.MA cs.NE cs.RO
Dynamic Subgoal based Path Formation and Task Allocation: A NeuroFleets Approach to Scalable Swarm Robotics
NeuroFleets (PVT) LTD(神经舰队私人有限公司);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);University of Jaffna(贾夫纳大学)
本文提出 NeuroFleets 方法,通过有限状态机、视觉连通子目标和基于光信号通信的任务分配策略,实现未知环境中群体机器人的去中心化路径形成与最优资源部署,并在 Argos 仿真中验证其可扩展性、鲁棒性和容错性。
2024-09-01 cs.MA cs.RO
Roborobo! a Fast Robot Simulator for Swarm and Collective Robotics
UPMC(巴黎第六大学);CNRS(法国国家科学研究中心);NTNU(挪威科技大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
机器人是一个多平台,高度便携式,机器人模拟器的大规模集体机器人实验。机器人是用C++编写的,遵循KISS准则(“保持简单”)。因此,它的外部依赖性仅限于用于快速2D图形的广泛可用的SDL库。机器人基于Khepera/ePuck模型。它的目标是快速的单机器人和多机器人仿真,并已被用于十几个已发表的研究,主要涉及进化群体机器人,包括环境驱动的自适应和分布式进化优化,以及在线板载体现进化和体现形态发生。
2013-04-10 cs.AI cs.NE cs.RO
Visual Swarm Navigation via Deep Reinforcement Learning and Evolutionary Hybrid Design
University of Alicante(阿利坎特大学)
本文提出一种结合多智能体强化学习与神经进化的混合方法,利用单目视觉和紧凑网络合成群体导航控制器,在仿真中实现高效集体探索,能耗降低31.40%。
2026-10-06 cs.MA cs.NE cs.RO
Collective transport via sequential caging
Polytechnique Montreal(蒙特利尔综合理工学院);National Institute of Technology, Tiruchirapalli(蒂鲁吉拉伯利国立理工学院)
我们提出了一个分散的算法,协作运输任意形状的物体使用一群机器人。我们的方法开始于一个任务分配阶段,该阶段顺序地分配要从第一次与对象接触的种子机器人开始运输的对象周围的位置。我们的方法不需要先前的知识,以确保锁定的对象的形状。为了将物体推到目标位置,我们根据目标和物体之间的角度差来估计对物体施加力所需的机器人。在运输过程中,机器人遵循一系列中间目标位置,指定该位置处物体的所需姿态。我们评估我们的方法在一个基于物理的模拟器多达100个机器人,使用三个通用路径。使用一组KheperaIV机器人的实验证明了我们的方法在真实环境中的有效性。关键词:协同运输,任务分配,笼,机器人群
2021-06-06 cs.MA cs.RO
Simulation of robot swarms for learning communication-aware coordination
Università della Svizzera Italiana(瑞士意大利语大学)
机器人的研究一直集中在合作的多智能体问题,其中智能体必须一起工作和通信,以实现一个共同的目标。为了应对这一挑战,我们探索模仿学习算法。这些方法通过观察专家的演示来学习控制器,例如集中式全知控制器的行为,它可以感知整个环境,包括所有代理的状态和观察。执行任务与完整的知识系统的状态是相对容易的,但集中式的解决方案可能是不可行的,在真实的场景中,因为代理没有直接存取的状态,但只有他们的意见。为了克服这个问题,我们训练端到端神经网络,这些神经网络将从全知的集中式控制器获得的局部观测值作为输入,即,代理的传感器读数和接收到的通信,产生要执行的动作和要发送的通信作为输出。本研究集中在两个合作的任务,使用分布式控制器:均匀分布的机器人在空间和着色的基础上,他们的位置相对于他人。虽然需要在代理之间进行显式的消息交换来解决第二个任务,但在第一个任务中,通信协议是不必要的,尽管它可以提高性能。实验在Enki中运行,Enki是一个高性能的平面机器人开源模拟器,它为在平面上进化的机器人提供碰撞检测和有限的物理支持。此外,它可以模拟机器人组的速度比实时快数百倍。结果表明,应用通信策略如何提高分布式模型的性能,让它几乎像专家控制器一样精确和快速地决定采取哪些行动。
2023-02-25 cs.AI cs.LG cs.RO
Auto-HSI: Personalized human control of a robot swarm on demand by using LLMs for online automatic code generation
IRIDIA, Université Libre de Bruxelles(布鲁塞尔自由大学IRIDIA研究所);Department of Aerospace Science and Technology, Politecnico di Milano(米兰理工大学航空航天科学与技术系);Télécom Physique Strasbourg, Université de Strasbourg(斯特拉斯堡大学斯特拉斯堡电信物理学院);Polytech Lyon, Lyon 1 Université Claude Bernard(里昂第一大学里昂理工学院);University of Pisa(比萨大学);Scuola Superiore Sant’Anna(圣安娜高等研究学院)
Auto-HSI利用LLM根据自然语言和手势自动生成代码,为未经训练的操作员按需创建个性化人-集群交互界面,实现手势控制机器人集群,并在仿真和真实实验中验证了有效性。
2026-09-16 cs.AI cs.HC cs.MA
RASS: Risk-Aware Swarm Storage
在机器人技术中,数据采集在未知环境探测中起着关键作用。例如,存储有关已探索地形的地形或环境中的自然危险的信息可以为机器人的决策过程提供信息。因此,安全地存储这些数据并使其快速提供给机器人系统的操作员至关重要。在像机器人群这样的分散系统中,这需要几个挑战。为了解决这些问题,我们提出了RASS,一种分散的风险感知群存储和路由机制,它完全依赖于邻居之间的本地信息共享来建立存储和路由适应度。我们测试我们的系统,通过彻底的实验,在基于物理的模拟器,并测试其在现实世界中的适用性与物理实验。我们获得令人信服的可靠性,路由速度,和群集存储容量的结果。
2022-01-04 cs.RO
A Self-Guided Approach for Navigation in a Minimalistic Foraging Robotic Swarm
Delft University of Technology(代尔夫特理工大学)
我们提出了一个生物启发的设计群觅食蚂蚁的信息素部署的基础上,假设群具有非常有限的能力。机器人不需要全球或相对位置测量,群是完全分散的,不需要任何基础设施。此外,该系统只需要通过机器人网络进行单跳通信,我们不对通信图的连通性进行任何假设,并且信息和计算的传输相对于代理的数量是可扩展的。这是通过让群体中的代理充当觅食者或引导代理(信标)来完成的。我们给出了一个Elisa-3机器人群在模拟器上的实验结果,并展示了该群如何自组织解决未知环境中的觅食问题,收敛到最短路径附近的轨迹。最后,我们讨论了这样一个系统的局限性,并提出了如何提高觅食效率。
2021-09-09 cs.RO
Calibrate Once, Fly Any Team: Residual-Grounded Low-Fidelity Training for Cooperative Drone Swarms
University of Haifa(海法大学)
提出混合保真度训练方案,用离线残差校正低保真模拟器训练共享去中心化策略,避免高保真强化学习,在多种集群任务中性能接近高保真微调策略且计算成本大幅降低。
2026-09-16 cs.MA cs.RO
Leader-Follower 3D Formation for Underwater Robots
Princeton University(普林斯顿大学)
针对水下通信难题导致多机器人编队算法难落地的问题,本文提出仅靠视觉感知和低计算反应式控制的主从式三维编队策略,通过BlueSwarm平台首次实验验证三类编队,并结合仿真探究复杂编队的收敛与稳定性,为通信受限的水下机器人群应用奠基。
2024-10-30 cs.RO
Acoustic Ellipses: Bio-Inspired Omnidirectional Echolocation in Cooperative Multi-Agent Systems using Frequency Sweeps
New Jersey Institute of Technology(新泽西理工学院);University of Michigan(密歇根大学)
受鸟类启发,提出利用调频啁啾信号的频率间隙定义反射椭圆,结合累积滤波器实现协作多智能体全向回声定位,仿真与实地实验验证了低成本环境映射的可行性。
2026-09-23 cs.RO
Scale-Invariant Specifications for Human-Swarm Systems
Northwestern University(西北大学);École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Yale University(耶鲁大学);Unmanned Laboratory(无人系统实验室);Raytheon BBN Technologies(雷神BBN技术公司);Systems and Technology Research(系统与技术研究公司)
我们提出了一种方法,用于控制一个群体使用其频谱分解-也就是说,通过描述一组轨迹的一个群体在整个操作域的空间分布-保证规模不变性相对于代理的数量都用于计算和运营商负责控制的群体。我们使用遍历控制,分散在整个网络中,用于实现。在DARPA OFFSET计划的现场设置中,我们使用STOMP接口为操作员测试了这种接口设计-雷神BBN在OFFSET计划的整个持续时间内使用的相同接口。在这些测试中,我们证明了我们的方法是规模不变的-用户规范不依赖于代理的数量;它是持久的-规范保持活跃,直到用户指定一个新的命令;它是实时的-用户可以在任何时候与群进行交互和中断。此外,我们表明,频谱/遍历规范的群体行为优雅地降低代理的数量下降,使运营商保持相同的方法,代理成为禁用或添加到网络。我们证明了我们的系统在一个领域相关的模拟器上的各种战术方案与多达50个代理的规模不变性和动态响应。我们还展示了我们的系统在现场与一个较小的团队代理的动态响应。最后,我们为我们的系统提供代码。
2022-12-12 cs.RO
CrazyChoir: Flying Swarms of Crazyflie Quadrotors in ROS 2
University of Bologna(博洛尼亚大学)
本文提出基于 ROS 2 的模块化 Python 框架 CrazyChoir,用于 Crazyflie 四旋翼集群的仿真、通信、分布式优化与控制,并通过编队、取送货和轨迹跟踪实验验证其有效性。
2023-05-30 cs.RO
Optimization of Collective Bayesian Decision-Making in a Swarm of Miniaturized Vibration-Sensing Robots
University of Groningen(格罗宁根大学)
本研究提出一种新颖的信息共享策略并优化参数,利用微型振动感知机器人集群执行二元检测任务,显著加快了决策时间并在复杂环境中保持稳健性能。
2024-12-19 cs.RO
Distributed Painting by a Swarm of Robots with Unlimited Sensing Capabilities and Its Simulation
National Institute of Technology, Durgapur(杜尔加布尔国家理工学院);Birla Institute of Technology, Mesra(梅斯拉贝拉理工学院)
提出了一种基于群自主移动机器人的分布式矩形区域绘制算法。我们假设该区域是无障碍的,形状为矩形。基本的方法是将区域划分为若干个单元,并让每个机器人绘制这些单元中的一个。通过根据机器人的相对位置对机器人进行排名来完成对机器人的不同单元的分配。在该算法中,机器人遵循基本的等待-观察-计算-移动模型以及同步定时模型。本文还提出了一种模拟所提出的算法。该模拟使用Ubuntu 10.04(Lucid Lynx)平台上的Player/Stage机器人模拟器进行。
2013-11-20 cs.DC cs.RO
Determination of spatial configuration of an underwater swarm with minimum data
Italian National Agency for New Technologies, Energy and Sustainable Economic Development(意大利新技术、能源与可持续经济发展局)
本课题是在HARNESS项目的框架下研究水下自主机器人群的定位问题,定位是指群的相对构型,即,群体的几何形状。结果是通过使用机器人交换的信号来实现的。蜂群按规则组织,并被设想执行从环境监测到恐怖袭击监视的任务。提出了两种基于三边测量的确定群形状的方法。第一种方法侧重于机器人的速度。在这种情况下,我们使用机器之间的速度和距离的知识,而第二种方法只考虑机器人的距离和方向角。与三边测量问题不同,我们不知道信标的位置,这使得问题变得困难。此外,我们的数据很少。由于系统的对称性和导致最终配置的一个或多个目标函数的优化过程,需要一个以上的运动步骤来解决所找到的多个解。随后,我们使用模拟器检查了我们的算法,并考虑了影响测量的随机误差
2020-04-08 cs.RO nlin.AO
RADIUM: Predicting and Repairing End-to-End Robot Failures using Gradient-Accelerated Sampling
本文提出RADIUM框架,利用近似贝叶斯推断与可微仿真、渲染预测端到端机器人故障并自动修复设计和控制策略,在多样性、成本、收敛速度及硬件鲁棒性上显著优于现有方法。
2024-04-04 cs.RO
A Distributed Epigenetic Shape Formation and Regeneration Algorithm for a Swarm of Robots
Indian Institute of Technology Guwahati(印度理工学院古瓦哈蒂分校)
活细胞表现出身体组织的生长和再生。表观遗传跟踪(ET)对活细胞的这种生长和再生质量进行建模,并已用于生成复杂的2D和3D形状。在本文中,我们提出了一种基于ET的算法,帮助一群相同的编程机器人形成任意形状,并在切割时再生它们。该算法以分布式方式工作,仅使用本地交互和计算,而没有任何中央控制,并帮助机器人形成三角形网格结构的形状。在形状损坏或分裂的情况下,它可以帮助剩余机器人的每一组重新生成并定位自己,以构建原始形状的缩小版本。本文介绍的形状形成和再生的算法使用Kilombo模拟器。
2018-10-29 cs.ET cs.RO
Towards Physically Talented Aerial Robots with Tactically Smart Swarm Behavior thereof: An Efficient Co-design Approach
University at Buffalo(布法罗大学)
本研究提出计算高效的协同设计框架,结合物理能力指标与改进的图强化学习架构,联合优化空中集群机器人的形态与战术行为,实验表明其任务性能优于固定帕累托设计方案。
2024-06-24 cs.MA cs.RO
Indirect Swarm Control: Characterization and Analysis of Emergent Swarm Behaviors
George Mason University(乔治梅森大学);University of Utah(犹他大学)
本文提出间接群体控制框架,通过调节环境条件而非局部交互规则来表征和预测涌现群体行为,并结合智能体建模与控制理论推导闭式函数生成相图,揭示可实现特定自组织行为的无限参数组合。
2024-03-29 cs.RO cs.SY eess.SY
Crazyflow: An Accurate, GPU-Accelerated, Differentiable Drone Simulator in JAX
Technical University of Munich(慕尼黑技术大学);University of Toronto(多伦多大学);Simon Fraser University(西蒙弗雷泽大学)
提出Crazyflow模拟器,通过GPU加速和可微分设计,实现单机超高速仿真、数千架无人机集群模拟,并支持基于解析梯度的策略学习与采样避障,甚至能在0.38秒内从零训练飞行恢复策略。
2026-10-27 cs.AI cs.MA cs.RO
LOTUSim: Multi-Domain Simulator for Marine Robotics
CROSSING IRL 2010, CNRS(CROSSING IRL 2010,CNRS);Naval Group, France(法国海军集团);IMT Atlantique(IMT阿蒂旺)
介绍LOTUSim多域海洋模拟器,其贡献一是支持多用户跨系统交互,确保实时性与可扩展性;二是有高效水下电流模型,验证显示相比常用模型精度大幅提升,适合海洋机器人研究。
2026-07-07 cs.MA cs.RO
QuadSwarm: A Modular Multi-Quadrotor Simulator for Deep Reinforcement Learning with Direct Thrust Control
University of Southern California(南加州大学)
针对强化学习训练数据需求大、仿真器需兼顾速度与sim2real迁移性的问题,提出高并行化的多四旋翼模拟器QuadSwarm,支持域随机化与多场景训练,在16核CPU上单/8旋翼采样率分别超48500/62000 SPS。
2023-06-15 cs.AI cs.LG cs.MA