Q-ITAGS: Quality-Optimized Spatio-Temporal Heterogeneous Task Allocation with a Time Budget
针对复杂多目标任务中的异构机器人协调问题,提出Q-ITAGS框架,通过可学习的特征-质量图优化任务性能,并在满足时空与资源约束下推导理论次优性界限,实验证明其优于现有方法。
2024-10-16 cs.MA
World-Model-Aware Responsibility Allocation in Heterogeneous Logistics Systems
Eurogate GmbH & Co. KGaA(Eurogate有限公司);Helmut Schmidt University(赫尔穆特·施密特大学)
研究异构物流系统中自主与非自主设备混合时的责任分配问题,提出世界模型感知责任框架WMARF,依模型质量和自动化水平动态分权限并分类死锁,通过模拟验证其有效性及随自主性提高仍有效的特性。
2026-07-17 cs.MA
A Global Games-Inspired Approach to Multi-Robot Task Allocation for Heterogeneous Teams
Old Dominion University(奥多明尼昂大学)
本文利用全局博弈框架解决异构多机器人任务分配问题,通过设计线性目标函数诱导混合纳什均衡,并给出仅需矩阵求逆的高效求解算法,仿真验证了其有效性。
2025-01-02 cs.MA cs.RO cs.SY
Hetero-Net: An Energy-Efficient Resource Allocation and 3D Placement in Heterogeneous LoRa Networks via Multi-Agent Optimization
College of Computing, Mohammed VI Polytechnic University (UM6P)(穆莱·伊沙克六世理工学院计算机学院);Telecommunications Department, Politehnica Bucharest(布加勒斯特理工大学电信系)
本文提出Hetero-Net,通过多智能体优化解决异构LoRa网络中资源分配和3D部署问题,显著提升能源效率。
2026-03-20 cs.LG cs.MA cs.NI
Resilient Task Allocation in Heterogeneous Multi-Robot Systems
University of Pennsylvania(宾夕法尼亚大学);Lehigh University(利哈伊大学)
针对一个具有异构能力的多机器人系统,本文提出了一种机制,当异常环境条件如天气事件或对抗攻击影响任务内机器人的性能时,该机制以弹性的方式将机器人分配到任务中。我们的主要目标是确保为每个任务分配必要的资源水平,以分配给任务的机器人的聚合能力来衡量。通过跟踪外部扰动下的任务性能偏差,我们的框架量化了机器人能力(例如,视觉感知或空中机动性)受到环境条件的影响。这使得基于优化的框架能够根据每个任务中最退化的能力灵活地将机器人重新分配给任务。在面对资源的限制和不利的环境条件下,我们的算法最低限度地放松了相应的一些任务的资源约束,从而表现出一个优雅的性能下降。在多机器人覆盖和目标跟踪场景中的仿真实验证明了该方法的有效性。
2021-01-07 cs.MA cs.RO
Learning Altruistic Collaboration in Heterogeneous Multi-Team Systems
Samueli School of Engineering, University of California, Irvine(加州大学欧文分校萨缪尔学学院);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文研究了通过动态机器人分配实现的异质多团队协作,将机器人视为可转移资源。利用生态学中的哈密顿规则作为利他决策机制,提出了一种具有异质能力、转移成本和能力依赖贡献的多团队协作资源分配框架。所得到的分配问题是组合性的,并被证明是NP难的。为了解决可扩展性问题,我们开发了一种基于图神经网络的策略,在集中训练和分布式执行下近似基于哈密顿规则的利他性分配。该模型在团队交互图上运行,并预测机器人层面的转移决策和下一步的机器人到团队分配。通过消防演习场景的模拟和实验验证了所提出的方法,证明所学习的策略在扩展到更大系统时能够实现接近最优的性能。
2026-10-22 cs.AI cs.MA 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
Min-Max Tours for Task Allocation to Heterogeneous Agents
School of Electrical and Computer Engineering at Purdue University(普渡大学电气与计算机工程学院)
研究如何为异构移动智能体分配任务,以最小化任何智能体完成任务并返回仓库的最大成本,提出了一种三阶段算法,提供5倍近似比。
2018-03-26 cs.MA cs.RO cs.SY
HALO: Heterogeneous Allocation Via Localized Observations for the Vehicle Routing Problem
Indiana University Bloomington(印第安纳大学布鲁明顿分校)
针对现实环境中机器人车队的车辆路径问题,提出HALO混合方法,利用异构图神经网络分离分配与路径规划,在部分可观测环境下优于启发式基线,并在静态VRP上超越最先进架构,实现快速实时部署。
2026-10-01 cs.MA cs.RO
Scheduling of Missions with Constrained Tasks for Heterogeneous Robot Systems
University of York(约克大学);University of Málaga(马拉加大学)
本文提出了一种多机器人任务的正式任务分配与调度方法(KANOA)。KANOA支持两种重要的任务约束类型:任务排序,要求以指定的顺序执行多个任务;联合任务,表示必须由多个机器人执行的任务。为了减轻机器人任务规划的复杂性,KANOA处理任务任务分配给机器人,并单独调度分配的任务。为此,任务分配问题是正式的一阶逻辑和解决使用合金模型分析器,和任务调度问题被编码为马尔可夫决策过程和解决使用PRISM概率模型检查器。我们说明KANOA的应用程序通过一个案例研究,其中一个异构的机器人团队被分配到医院的维护任务。
2022-09-28 cs.LO cs.MA cs.RO
Agent-based Constraint Solving for Resource Allocation in Manycore Systems
出于效率原因,众核系统越来越异构,这使得复杂工作负载的映射成为具有高度优化潜力的关键问题。约束表示的应用程序的要求,如选择哪种核心类型,有多少核心选择,专门或非专门,使用某一核心等,在这项工作中,我们提出了一个分散的解决方案,通过基于代理的方法来解决应用程序的资源限制,以获得可扩展性。我们将这些约束转化为一个分布式约束优化问题(DCOP),并提出了一个局部搜索算法RESMGM来解决它们。对于第一次,我们证明了异构众核系统的DCOP方法的可行性和效率。我们的RESMGM算法支持比最先进的约束范围更广的约束,从而获得更好的结果,但仍然具有可比的开销w.r.t.计算和通信。
2022-04-13 cs.MA
Heterogeneous Task Offloading and Resource Allocations via Deep Recurrent Reinforcement Learning in Partial Observable Multi-Fog Networks
随着无线服务和应用变得更加复杂并且需要更快和更高容量的网络,需要基于每个应用的要求来有效地管理日益复杂的任务的执行。在这方面,雾计算能够将虚拟化服务器集成到网络中,并使云服务更接近终端设备。与云服务器相比,雾节点的计算能力有限,因此单个雾节点可能无法执行计算密集型任务。在这种情况下,通过选择合适的节点和适当的资源管理,同时保证用户的服务质量(QoS)要求,任务卸载在雾节点处可以特别有用。研究了多雾节点系统中异构服务任务的联合任务卸载和资源分配控制设计。这个问题被表述为一个部分可观察的随机博弈,其中每个雾节点合作,以最大化聚合的本地奖励,而节点只能访问本地观察。为了处理部分可观测性,我们应用深度递归Q网络(DRQN)方法来近似最优价值函数。然后将该解决方案与深度Q网络(DQN)和深度卷积Q网络(DCQN)方法进行比较,以评估不同神经网络的性能。此外,为了保证神经网络的收敛性和准确性,采用了调整的勘探开发方法。数值结果表明,与基线方法相比,该算法可以获得更高的平均成功率和更低的平均溢出率。
2020-07-21 cs.DC cs.MA eess.SP
Adaptive GPU Resource Allocation for Multi-Agent Collaborative Reasoning in Serverless Environments
Department of Engineering Management and Systems Engineering, George Washington University, USA(工程管理与系统工程系,乔治华盛顿大学)
本文提出一种自适应GPU资源分配框架,通过动态分配资源降低延迟并提升效率,适用于无服务器环境下的多智能体协作推理任务。
2026-01-01 cs.AI cs.DC cs.MA
Modeling and Optimizing the Provisioning of Exhaustible Capabilities for Simultaneous Task Allocation and Scheduling
Georgia Institute of Technology(佐治亚理工学院);Northeastern University(东北大学)
本文提出TRAITS框架,通过非线性规划优化异构机器人团队在电池和时间约束下的特性 provisioning,提升任务分配与调度的可行性和效率。
2026-02-14 cs.MA cs.RO
Desperate Times Call for Desperate Measures: Towards Risk-Adaptive Task Allocation
Georgia Institute of Technology(佐治亚理工学院)
多机器人任务分配(MRTA)问题涉及到优化机器人任务的分配。当任务需要多个机器人并且团队由异构机器人组成时,MRTA问题具有挑战性。当我们需要考虑现实世界中遇到的不确定性时,这些挑战进一步加剧。在这项工作中,我们解决联盟形成异构多机器人团队的能力不确定。我们特别关注需要联盟共同满足某些最低要求的任务。现有的不确定性感知任务分配方法要么最大化预期收益(风险中性方法),要么改善最坏情况或接近最坏情况的结果(风险厌恶方法)。在我们的问题的背景下,我们证明了固有的局限性,单方面忽视或避免风险,并表明这些方法实际上可以降低满足任务要求的概率。受解释动物觅食行为的模型的启发,我们开发了一种风险自适应的任务分配方法。我们的方法自适应地在风险规避和风险寻求行为之间切换,以最大限度地提高满足任务要求的概率。全面的数值实验最终表明,我们的风险自适应方法优于风险中性和风险厌恶的方法。我们还证明了我们的方法的有效性,使用模拟的多机器人应急响应方案。
2021-08-07 cs.MA cs.RO
Co-GLANCE: Uncertainty-Aware Active Perception for Heterogeneous Robot Teaming
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出Co-GLANCE系统,通过蒸馏视觉语言模型实现实时遮挡分割与机器人分配,结合共形预测与选择性弃权提供统计保证的不确定性量化,驱动主动感知,在真实场景中遮挡分割和分配准确率分别提升25%和36%,推理延迟降低350倍。
2026-06-07 cs.AI cs.LG cs.MA