A Visibility Roadmap Sampling Approach for a Multi-Robot Visibility-Based Pursuit-Evasion Problem
University of South Carolina（南卡罗来纳大学）
给定一个二维多边形空间，多机器人的可行性为基础的追求逃避问题的任务，几个追求者机器人的目标是建立一个任意快速的逃避者的可见性。这个问题的最著名的完整算法需要时间的机器人数量的双指数。然而，基于采样的技术已经显示出在这些情况下产生可行的解决方案的承诺。采用现有的基于采样的方法的主要缺点之一是，现有的算法具有较长的执行时间和复杂环境的高故障率。本文提出了一种新的算法，以环境为输入，并返回一个联合运动策略，确保逃避者被捕获的追求者之一，解决了这一限制。从一个单一的追求者开始，我们顺序地构建样本生成的追求-逃避图来创建这样的联合运动策略。这种顺序图结构确保了我们的算法总是以一个解决方案结束，而不管环境的复杂性如何。我们描述了该算法的实现，并提出了定量的结果，显示显着的改善相比，现有的算法。
2021-04-08 cs.RO
CARE: Cooperative Autonomy for Resilience and Efficiency of Robot Teams for Complete Coverage of Unknown Environments under Robot Failures
本文提出了一种分布式算法CARE，用于解决未知环境中多机器人覆盖率路径规划问题，该算法在机器人故障情况下提供鲁棒性并提高整体效率，通过事件驱动的重新规划实现任务重新分配，实验结果表明其在故障情况下能够实现完全覆盖、减少覆盖时间和加快目标发现。
2019-05-29 cs.MA cs.RO cs.SY
CoViS-Net: A Cooperative Visual Spatial Foundation Model for Multi-Robot Applications
University of Cambridge（剑桥大学）；Department of Computer Science and Technology（计算机科学与技术系）
提出去中心化视觉空间基础模型CoViS-Net，通过学习空间先验实现无网络依赖的实时位姿估计与空间理解，并成功应用于多机器人编队控制任务。
2024-10-16 cs.MA cs.RO cs.SY
Distributed Fault-Tolerant Multi-Robot Cooperative Localization in Adversarial Environments
School of Computing, University of Georgia（佐治亚大学计算机学院）
针对对抗环境中的多机器人协同定位，提出分布式容错框架，采用自适应事件触发通信策略，提升定位精度与通信效率，具有良好扩展性和容错性。
2025-07-09 cs.MA cs.RO cs.SY
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
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下，提出了一种基于离策略多智能体强化学习（MARL）的多机器人社会感知高效协作规划器.我们采用基于时空图（TSG）的社会编码器，以更好地提取每个机器人和行人在其视野（FOV）的社会关系的重要性。此外，我们在多机器人RL框架中引入K步前瞻奖励设置，以避免机器人产生的侵略性，侵入性，短视和不自然的运动决策。此外，我们改进了传统的集中式评论家网络与多头全局注意力模块，更好地聚集不同机器人之间的局部观察信息，以指导个体的策略更新过程。最后，多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
Multi-Robot Task Allocation and Scheduling Considering Cooperative Tasks and Precedence Constraints
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）；Research Center for Information Technology (FZI)（信息技术研究中心）
为了充分利用异构多机器人团队合作的固有优势，复杂的协调算法是必不可少的。时间扩展多机器人任务分配方法将一组任务分配和调度给一组机器人，使得某些目标得到优化并满足操作约束。如果考虑合作任务，即需要两个或更多个机器人直接一起工作的任务，这是特别具有挑战性的。在本文中，我们提出了一个易于实现的标准来验证的可行性，即可执行性，解决方案的时间扩展的多机器人任务分配问题的交叉调度依赖性所产生的考虑合作任务和优先约束。使用引入的可行性标准，我们提出了一个局部改进启发式的基础上，考虑的问题类的邻域算子。初始解是由一个贪婪的建设性启发式。这两种方法都使用广义成本结构，因此能够处理各种目标函数实例。我们评估所提出的方法，使用不同的问题大小的测试方案，都包括所考虑的问题的复杂性方面。仿真结果说明了改进潜力所产生的应用程序的局部改进启发式。
2020-05-08 cs.RO cs.SY eess.SY
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
Optimal Spatial-Temporal Triangulation for Bearing-Only Cooperative Motion Estimation
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Westlake University（西湖大学）；School of System Design and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学系统设计与智能制造学院）；Peng Cheng Laboratory（鹏城实验室）
针对多机器人系统中的纯方位协同运动估计问题，提出基于分布式递归最小二乘的最优时空三角测量算法，融合几何约束，仿真显示其精度和收敛速度优于DKF算法，还开发了首个全自主协同空中目标追踪系统。
2025-02-12 cs.RO
Asynchronous Cooperative Online Learning for Multi-Robot Control under Computational Delays
Technical University of Munich（慕尼黑工业大学）；University of California at Riverside（加州大学河滨分校）
针对多机器人控制中计算延迟与查询点差异问题，提出异步协同在线学习策略与伴随MAS分布式控制律，经无人水面艇仿真验证，其学习与控制性能优于现有最优方法。
2026-09-01 cs.LG cs.MA cs.RO
Decentralized Cooperative Localization for Multi-Robot Systems with Asynchronous Sensor Fusion
本文提出了一种去中心化协同定位框架，通过局部卡尔曼滤波和异步传感器融合实现多机器人系统的可靠定位，实验显示其在特征稀疏环境中优于集中式方法。
2026-03-12 cs.RO cs.SY eess.SY
Confidence Boosts Trust-Based Resilience in Cooperative Multi-Robot Systems
Delft Center for Systems and Control, Delft University of Technology（代尔夫特系统与控制中心，代尔夫特理工大学）；Department of Computer Science, Harvard University（计算机科学系，哈佛大学）；Faculty of Engineering, Bar-Ilan University（工程学院，巴伊兰大学）
针对多机器人系统面临的网络攻击，本文利用物理信道的可信性指示和置信参数 λt 设计弹性协作协议，证明其可在任意多个恶意机器人存在时保持协调，并通过自动驾驶汽车队列实验验证有效性。
2025-06-10 cs.MA cs.RO cs.SY
A Descriptive Model of Robot Team and the Dynamic Evolution of Robot Team Cooperation
目前，多机器人领域的机器人团队协作研究还处于定性分析阶段，缺乏能够定量描述任务需求不断变化时团队协作关系动态演化的描述模型。首先从整体上静态描述了机器人团队的组织模型HWROM，然后借鉴马尔可夫过程和贝叶斯定理，动态描述了团队协作关系的建立。最后从合作实体层、能力层和关系层三个层次研究了团队的形成和合作机制，并讨论了在演化过程中如何优化关系动作集。提出并描述了机器人团队的动态演化模型和团队间的协作关系，不仅可以从整体上概括机器人团队，而且可以定量描述机器人团队的动态演化过程。用户还可以根据该模型对机器人团队的协作关系和遇到新需求时的行动进行预测。期刊网页和大量机器人相关论文www.ars-journal.com
2006-01-14 cs.RO
Quantum Cooperative Robotics and Autonomy
California State Polytechnic University, Pomona（加州州立理工大学波莫纳分校）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；Brunel University London（伦敦布鲁内尔大学）
本文探讨了量子技术与机器人自主性的交叉。这两个领域结合在一起，建立了一个跨学科的接口，有助于推进系统自治领域，并推动工程边界超越现有技术。本研究采用量子纠缠和量子密码学的实验方面，并将这些既定的量子能力集成到分布式机器人平台，探索实现更多的自主权的控制多智能体机器人系统参与合作任务的可能性。实验量子能力是通过产生单光子（使用自发参数下转换过程），光子的偏振，检测垂直和水平偏振，和单光子检测/计数。具体地说，这种量子方面是在经典代理的网络上实现的，即，传统的空中和地面机器人/无人系统。关于机器人应用的经典系统，利用量子技术预计将导致有保证的安全性，非常快速的控制和通信，以及无与伦比的量子能力，如纠缠和量子叠加，这将使新的应用成为可能。
2020-07-24 cs.RO cs.SY eess.SY
Contingency Model-based Control (CMC) for Communicationless Cooperative Collision Avoidance in Robot Swarms
本文提出了一种无需通信的分布式协作避障方法CMC，通过预先设计的共识规则和应急轨迹确保机器人群在受限环境中的安全运行。
2025-12-30 cs.RO cs.SY eess.SY
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
Cooperative-Competitive Team Play of Real-World Craft Robots
Tencent Robotics X Laboratory（腾讯机器人实验室）；Tsinghua University（清华大学）
本文提出了一种针对现实世界工艺机器人协作与竞争任务的强化学习方法，通过引入OODSI技术提升仿真到现实的迁移性能。
2026-02-24 cs.AI cs.RO
Multi-Robot System for Cooperative Exploration in Unknown Environments: A Survey
Fellow IEEE Tsinghua University（IEEE Fellow 清华大学）；Zhejiang University（浙江大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
该综述针对大规模极端环境探索需求，提出多机器人协同探索的模块化研究框架，系统梳理定位建图、协同运动、通信等核心模块技术，介绍其在DARPA地下挑战赛的应用，并分析挑战与未来方向。
2025-05-21 cs.RO
Q-CP: Learning Action Values for Cooperative Planning
Sapienza University of Rome（罗马第一大学）
多机器人系统的研究在许多领域和应用中都取得了可喜的成果。尽管如此，由于非结构化场景，高不确定性和大状态维度（例如超冗余和机器人组），有效地学习有效的机器人行为是非常困难的。为了缓解这个问题，我们提出了Q-CP一个合作的基于模型的强化学习算法，它利用行动值（1）指导探索的状态空间和（2）生成有效的政策。具体来说，我们利用Q学习攻击的维数在蒙特卡罗树搜索的迭代。我们在不同的随机合作（一般和）游戏中实现和评估Q-CP：（1）3个机器人之间的简单合作导航问题，（2）一对KUKA YouBots之间的合作场景执行移交，以及（3）两个移动机器人之间的协调任务进入一扇门。所得到的结果表明，Q-CP在所选的应用程序，其中的动作值驱动的探索和减少规划过程中的计算需求，同时实现良好的性能的有效性。
2018-03-01 cs.AI cs.RO
When Semantics Connect the Swarm: LLM-Driven Fuzzy Control for Cooperative Multi-Robot Underwater Coverage
本文提出一种由LLM驱动的模糊控制框架，用于实现多机器人水下协作覆盖，通过语义引导实现高效导航和探索。
2026-03-12 cs.RO cs.SY eess.SY
MROPE: A Multi-Robot Safe Cooperative Strategy via combined Predictive Safety Filters and Ellipse-based Constraint Compression
Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；Leonardo S.p.a.（莱昂纳多公司）；Leonardo Innovation Labs（莱昂纳多创新实验室）
针对杂乱环境中无人机群追踪动态目标的计算与安全挑战，研究提出MROPE分层策略，结合分布式聚合优化、分布式共识方案与预测安全滤波器，通过动态聚合障碍物为椭圆保障安全，实验验证其效率与可扩展性优于集中式方法。
2026-08-03 cs.RO cs.SY eess.SY
Cooperative Aerial-Ground Multi-Robot System for Automated Construction Tasks
University of Zagreb（萨格勒布大学）；Faculty of Electrical Engineering and Computing（电气工程与计算学院）
在本文中，我们研究了一个合作的空地机器人团队及其应用的任务，自动化建设。我们提出了一个解决方案，用于规划和协调任务的建设一个墙的预定义结构的异构系统，包括一个移动机器人和多达三个无人驾驶飞行器。该墙由各种重量和尺寸的砖块组成，其中一些需要使用多个机器人同时运输。为此，我们使用分层任务表示指定任务子任务之间的相互关系，并采用有效的调度和协调机制，广义局部全局规划的启发。我们在不同的优化标准下评估了该方法的性能，并在现实的Gazebo仿真环境中验证了该解决方案。
2022-04-29 cs.MA cs.RO
Distributed Reinforcement Learning for Cooperative Multi-Robot Object Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；Flanders Make（佛兰德斯制造）
我们考虑使用强化学习（RL）来解决多机器人协作对象操作任务。我们提出了两种分布式多代理RL方法：分布式近似RL（DA-RL），其中每个代理应用Q-学习与个人的奖励函数;和博弈论RL（GT-RL），其中代理更新他们的Q值的基础上的纳什均衡的双矩阵Q值游戏。我们验证了所提出的方法在设置的合作对象操作与两个模拟机器人手臂。虽然本文中我们关注的是两个智能体的小系统，但DA-RL和GT-RL都适用于一般的多智能体系统，并且有望很好地扩展到大型系统。
2020-03-21 cs.GT cs.LG cs.MA
ChoiRbot: A ROS 2 Toolbox for Cooperative Robotics
University of Bologna（博洛尼亚大学）
在本文中，我们介绍ChoiRbot，一个工具箱，分布式合作机器人的基础上，新的机器人操作系统（ROS）2。ChoiRbot提供了一个功能齐全的工具集来执行复杂的分布式多机器人任务，无论是在模拟还是实验中，特别关注没有中央协调器的异构机器人网络。由于其模块化结构，ChoiRbot允许高度直接实现基于优化的分布式控制方案，如分布式最优控制，模型预测控制，任务分配，其中本地计算和与相邻机器人的通信交替进行。为此，工具箱提供了解决分布式优化问题的功能。该软件包还可以用于实现分布式反馈法，不需要优化功能，但需要机器人之间的信息交换。的工具箱的潜力与移动地面机器人的分布式机器人方案的模拟和实验说明。ChoiRbot工具箱可在https://github.com/OPT4SMART/choirbot上找到。
2021-03-12 cs.RO
Decentralized Cooperative Multi-Robot Localization with EKF
Southern University of Science and Technology（南方科技大学）
多机器人定位是机器人协同完成复杂任务的关键问题。在本文中，我们提出了一个分散的方法来本地化一组机器人在一个大的无特征的环境。所提出的方法只需要至少有一个机器人保持静止作为一个临时地标在一定的时间内。我们方法的新颖性有三个方面：（1）开发一种分散的方案，每个机器人计算它们自己的状态，并且只存储最新的状态，以减少存储和计算成本，（2）通过扩展的卡尔曼滤波器（EKF）开发一种有效的定位算法，该算法仅使用相对位姿的观测来估计机器人位置，（3）开发一种对地标要求更少，对观测不足更鲁棒的方案。使用五个机器人配备相对姿态测量传感器进行各种模拟和实验，以验证我们的方法的优越性能。
2018-11-19 cs.RO
Distributed Invariant Kalman Filter for Cooperative Localization using Matrix Lie Groups
George Mason University（乔治梅森大学）；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）
针对多机器人三维协同定位，提出基于矩阵李群的分布式不变卡尔曼滤波器DInEKF，以独立于状态估计的雅可比提升一致性，并经仿真与实验验证。
2024-05-07 cs.RO cs.SY eess.SY
Multi-Robot Cooperative Socially-Aware Navigation Using Multi-Agent Reinforcement Learning
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）
针对公共空间多机器人社会导航存在的仿真现实差距问题，提出结合时空Transformer与多智能体强化学习的SAMARL基准及对应Dec-POSMDP环境，实验证明其性能优于现有基线与消融模型。
2024-05-15 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
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
Three Cooperative Robotic Fabrication Methods for the Scaffold-Free Construction of a Masonry Arch
Princeton University（普林斯顿大学）；University of Bergamo（贝加莫大学）；Skidmore, Owings & Merrill (SOM)（斯基德莫尔、奥因斯与梅里尔建筑事务所（SOM））
几何形状复杂的砌体结构（例如，拱、圆顶、拱顶）传统上是用昂贵的脚手架或脚手架来建造的，以在建造过程中提供稳定性。通过使用多个机器人在协作装配框架中一起工作，可以潜在地改进构建这种结构的过程。在这里，机器人被设想为在制造期间的放置和外部支撑代理-未完成的结构以不需要脚手架的方式被支撑。本文的目标是提出并验证三个合作的制造方法，使用两个或三个机器人的有效性，为无支架施工的稳定的圬工拱，从中建立一个中等跨度的拱顶。首先提出了一种简化的数值方法来表示砌体结构，并验证了分析系统组成的离散体积元素。然后，该方法被用来评估三个合作的机器人制造策略的稳定性能的中央arch. The顺序的方法和悬臂梁的方法，利用两个机器人arms的效果，被证明是可行的方法，但有相关的可扩展性和鲁棒性的挑战。通过添加第三机器人代理，可以通过多目标优化过程来确定结构上最优的制造顺序。优化的三个机器人的方法，显着改善结构的行为在所有的制造步骤。在本文中提出的建模方法是广泛制定和广泛适用于分析的合作机器人制造序列的离散元结构的建设跨越规模和材料。
2021-04-10 cs.RO
Hierarchical Needs Based Self-Adaptive Framework For Cooperative Multi-Robot System
University of Georgia（佐治亚大学）
在多机器人和群体系统的研究已经看到了显着的兴趣在复杂和动态环境中的代理合作。为了有效地适应未知环境，使群体效用最大化，机器人需要合作，共享信息，并根据具体场景制定合适的计划。受马斯洛需求层次理论和系统理论的启发，本文引入机器人需求层次理论，提出了一种新的解决方案--自适应群体系统（SASS）。它结合了多机器人的感知，通信，规划和执行与冲突的合作管理，通过一个分布式的协商协议机制，优先考虑机器人的需求。我们还通过几个原子操作，如选择，形成和路由，将复杂的任务分解成简单的可执行行为。我们评估SASS通过模拟静态和动态任务，并将它们与最先进的碰撞感知任务分配方法集成到我们的框架。
2020-08-29 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
Tensegrity Continuum Robots Enable Task-Adaptive Morphologies for Cooperative Behaviors
该研究提出结合张拉整体柔顺主体与爪式连接机构的模块化可重构机器人，可自重构为不同形态完成协同任务，为多功能机器人群体应用奠定基础。
2026-09-28 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
Voronoi-based Multi-Robot Formations for 3D Source Seeking via Cooperative Gradient Estimation
Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；Inria（法国国家信息与自动化研究所）；INSA Lyon（里昂国立应用科学学院）
提出一种基于球面质心 Voronoi 编队的多机器人协同梯度估计方法，用于三维信号信源定位，并通过无噪与含噪仿真验证其鲁棒性优于现有方法。
2024-09-09 cs.MA cs.RO
Shape Formation for the Cooperative Transportation of Arbitrary Objects Using Multi-Agent Reinforcement Learning
University of Technology Nuremberg（纽伦堡工业大学）
提出一种多智能体强化学习方法，使多机器人系统自主形成支撑任意形状和非均匀质量分布物体的编队，同时避免障碍物，实现可靠且泛化的协同运输。
2026-06-08 cs.AI cs.RO
Co-NavGPT: Multi-Robot Cooperative Visual Semantic Navigation Using Vision Language Models
Faculty of Science and Engineering, University of Groningen（工程学院，格罗宁根大学）
Co-NavGPT提出将视觉语言模型作为全局规划器，通过聚合多机器人子地图并分配前沿区域，实现无需任务特定训练的高效多机器人协作视觉语义导航。
2025-05-06 cs.AI cs.RO
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University（麦克马斯特大学）
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题，提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型，采用异步集中训练分布式执行方案，实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
RLSS: Real-time, Decentralized, Cooperative, Networkless Multi-Robot Trajectory Planning using Linear Spatial Separations
University of Southern California（南加州大学）；Technical University of Berlin（柏林工业大学）；Brown University（布朗大学）
提出RLSS，一种无通信要求的实时去中心化多机器人轨迹规划算法，通过生成并求解凸二次优化问题实现避碰与防死锁，在类森林和类迷宫环境中显著优于现有方法。
2023-04-01 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
NeuronsMAE: A Novel Multi-Agent Reinforcement Learning Environment for Cooperative and Competitive Multi-Robot Tasks
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
多智能体强化学习（MARL）在各种具有挑战性的问题中取得了显著的成功。与此同时，越来越多的基准测试程序也出现了，为不同领域的算法提供了评价标准。一方面，虚拟MARL环境缺乏对真实世界任务和执行器能力的了解，另一方面，当前任务指定的多机器人平台对多智能体强化学习算法的通用性支持较差，缺乏对从仿真到真实环境的转换的支持。弥补虚拟MARL环境与真实多机器人平台之间的差距，是提高MARL算法实用性的关键。本文提出了一种新的MARL环境的真实多机器人任务命名为NeuronsMAE（神经元多智能体环境）。该环境支持多机器人的合作和竞争任务，并配置了丰富的参数接口，研究多智能体的政策从模拟到现实的转移。在这个平台上，我们评估了各种流行的MARL算法，并建立了一个新的多机器人任务的MARL基准。我们希望这个平台将促进MARL算法的研究和实际机器人任务的应用。有关基准测试和开源代码的信息将被发布。
2023-03-22 cs.RO
Consistent Distributed Cooperative Localization: A Coordinate Transformation Approach
National Key Laboratory of Modeling and Simulation for Complex Systems, School of Astronautics, Harbin Institute of Technology（哈尔滨工业大学航天学院复杂系统建模与仿真国家重点实验室）
本文提出一种基于线性时变坐标变换的一致性分布式协同定位算法，使传播雅可比与状态解耦并适配服务器式分布式框架，在仿真与真实数据上验证了其在一致性和精度上优于现有方法。
2024-10-22 cs.RO
DCL-Sparse: Distributed Range-only Cooperative Localization of Multi-Robots in Noisy and Sparse Sensing Graphs
School of Computing, University of Georgia（佐治亚大学计算学院）
本文提出DCL-Sparse框架，通过结合S1-Edge方法与UAV战略部署，解决GPS拒止环境下稀疏感知图的多机器人协作定位问题，使定位误差降低达95%。
2024-12-19 cs.MA cs.RO
Nav-SCOPE: Swarm Robot Cooperative Perception and Coordinated Navigation
Department of Automation, Tsinghua University（自动化系，清华大学）；Beijing National Research Center for Information Science and Technology, Tsinghua University（北京信息科学与技术国家研究中心，清华大学）；School of Mechanical and Electrical Engineering, Beijing Information Science and Technology University（机械与电子工程学院，北京信息科学与技术大学）
针对多机器人协调导航需求，提出名为Nav-SCOPE的轻量级去中心化协同感知方案，通过信息流共享、交互场降不确定、路径优化实现自组织协调，经仿真与实验验证其低冗余、鲁棒且低资源消耗。
2025-09-01 cs.RO
Neural Tree Expansion for Multi-Robot Planning in Non-Cooperative Environments
California Institute of Technology（加州理工学院）
我们提出了一种自我改进的神经树扩展（NTE）方法，用于非合作环境中的多机器人在线规划，其中每个机器人在与其他自利机器人交互时试图最大化其累积奖励。我们的算法适应集中，完善的信息，离散动作空间的方法从AlphaZero分散，部分信息，连续的动作空间设置多机器人应用程序。我们的方法有三个相互作用的组成部分：（i）具有提供专家演示的大计算资源的集中式、完全信息“专家”蒙特卡罗树搜索（MCTS），（ii）具有实时运行并提供自玩示例的小计算资源的分散式、部分信息“学习者”MCTS，以及（iii）策略和值神经网络，其利用专家示范进行训练并且使专家和学习者树生长都偏置。我们的数值实验证明了神经树扩展的计算优势，找到了比MCTS更好的解决方案，其资源是MCTS的20倍。由此产生的政策是动态复杂的，展示机器人之间的协调，并发挥达到目标，避免差分游戏显着优于国家的最先进的控制理论基线的多机器人，双积分器系统。我们在空中蜂群上的硬件实验证明了神经树扩展的计算优势，可以在复杂场景中以20 Hz的频率使用有效的策略进行在线规划。
2021-07-09 cs.RO
CoLF: Learning Consistent Leader-Follower Policies for Vision-Language-Guided Multi-Robot Cooperative Transport
Division of Information Science, Graduate School of Science and Technology, Nara Institute of Science and Technology (NAIST)（信息科学系，科学技术研究生学校，科学与技术国立研究所（NAIST））；École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））
CoLF 通过不对称策略和互信息训练目标，为多机器人协作运输提供稳定领导者-跟随者角色区分的强化学习框架。
2026-02-08 cs.RO
A Visual Analytics Approach to Debugging Cooperative, Autonomous Multi-Robot Systems' Worldviews
University of California, Davis（加州大学戴维斯分校）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）
自主多机器人系统，其中一组机器人共享信息以执行超出单个机器人能力的任务，对于许多应用（例如行星探索任务）具有很大的希望。多机器人系统中的每个机器人都使用共享世界协调范式自主地调度哪个机器人应该执行给定的任务，以及何时，使用其世界观-机器人对自己的状态和其他机器人的状态的信念的内部表示。操作员的一个关键问题是机器人的世界观可能会不同步（通常是由于通信链路薄弱），导致机器人的调度决策和不一致的紧急行为（例如，不执行或由多个机器人执行的任务）。操作员面临着一项耗时而艰巨的任务，即通过比较每个机器人的世界观来理解机器人的调度决策，检测不同步，并查明原因。为了应对这些挑战，我们引入了MOSAIC Viewer，这是一个视觉分析系统，可以帮助操作员（i）理解机器人的时间表，（ii）检测并对机器人的非线性世界观进行根本原因分析。在与NASA喷气推进实验室的机器人专家长达一年的合作中，我们进行了一项形成性研究，以确定必要的系统设计要求，并与12名机器人专家进行了定性评估。我们发现，MOSAIC Viewer比用户当前的方法更快，更容易使用，它允许他们缝合低层次的细节，以制定对机器人时间表的高层次理解，并检测和查明去中心化世界观的原因。
2020-09-03 cs.HC cs.MA cs.RO
Multi-robot Cooperative Object Transportation using Decentralized Deep Reinforcement Learning
University of Cincinnati（辛辛那提大学）；Harbin Institute of Technology（哈尔滨工业大学）；Tsinghua University（清华大学）
由于超大和/或超重的问题，物体运输对于单个机器人来说可能是一个具有挑战性的问题。多机器人系统可以利用增加的驱动功率和更灵活的配置来解决这样的问题。然而，个体数量的增加也改变了系统的动力学，这使得多机器人系统的控制更加复杂。更糟糕的是，如果整个系统位于集中式决策单元上，则由于系统的升级，数据流可能容易过载。在这项研究中，我们提出了一个分散控制计划的多机器人系统与每个人配备了一个深Q网络（DQN）控制器，以执行一个超大的物体运输任务。DQN是一种深度强化学习算法，因此不需要系统动力学知识，相反，它使机器人能够通过任务环境中的试错式交互来学习适当的控制策略。由于模拟控制器分布在个体上，系统地避免了计算瓶颈。我们展示了这样一个系统的情况下进行一个超大杆通过门口的两个机器人团队。所提出的多机器人系统学习任务的抽象特征，并观察到合作行为。分散DQN型控制器对不确定性表现出较强的鲁棒性。此外，我们还提出了一个通用的度量标准来定量评估合作。
2020-07-17 cs.RO
APEX-MR: Multi-Robot Asynchronous Planning and Execution for Cooperative Assembly
Carnegie Mellon University（卡内基梅隆大学）
本文提出APEX-MR异步规划执行框架，通过后处理任务与运动计划，实现多机器人安全高效协作装配，平均提速48%，并首次用双臂系统完成商用乐高定制装配。
2025-08-07 cs.RO
Cooperative Pollution Source Localization and Cleanup with a Bio-inspired Swarm Robot Aggregation
University of Tabriz（大不里士大学）；Sharif University of Technology（谢里夫理工大学）；Middle East Technical University（中东技术大学）；Czech Technical University（捷克技术大学）；The University of Manchester（曼彻斯特大学）
使用机器人探索极端和危险的环境有可能显着提高人类的安全。例如，可以部署机器人解决方案来找到化学品泄漏的来源并清洁污染区域。本文演示了一种概念验证的生物启发的探索方法，使用群机器人系统，这是基于两个生物启发的行为：聚合和信息素跟踪的组合。提出的工作的主要思想是遵循信息素的踪迹，找到化学品泄漏的来源，然后通过聚集在临界区进行去污任务。使用Mona机器人的模拟模型进行的实验，我们评估人口规模和机器人速度的群体在去污任务的能力的影响。结果表明，在极端环境下的勘探和清洁任务中部署机器人群的可行性。
2019-07-22 cs.RO
Prioritized Planning for Cooperative Range-Only Localization in Multi-Robot Networks
Massachusetts Institute of Technology（麻省理工学院）；Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）
我们提出了一种新的路径规划算法，以减少定位误差的机器人网络合作定位通过机器人间的距离测量。利用距离测量进行定位的质量取决于网络的配置，并且差的配置可能导致大量的定位误差。为了减少网络配置对移动网络的定位误差的影响，我们考虑了Fisher信息矩阵（Fisher information matrix，简称HMF）的各种最优性测度，这些测度与定位误差之间的关系已经得到了很好的研究。特别是，我们提出了一个轨迹规划问题的约束条件的最优措施。通过约束这些最优性度量，我们可以控制定位误差的统计特性。为了有效地生成满足这些约束的轨迹，我们提出了一个优先级规划器，它利用基于图形的规划和独特的属性的范围内只有约束。我们在模拟实验中显示的结果表明，我们的算法生成的轨迹减少最坏情况下的定位误差高达42%相比，现有的规划方法，并可以可扩展地规划大量的机器人在复杂的环境中的距离有效的轨迹。
2021-09-10 cs.RO
Learning to Navigate in Turbulent Flows with Aerial Robot Swarms: A Cooperative Deep Reinforcement Learning Approach
University of Pennsylvania（宾夕法尼亚大学）；Amazon Robotics（亚马逊机器人公司）；Universidad Santo Tomas（圣托马斯大学）；Bethune Cookman University（白求恩-库克曼大学）；Lehigh University（利哈伊大学）
本文提出基于GCNN的协作式深度强化学习多机器人控制器，通过邻居信息共享学习风流对团队的影响，实现可扩展且可泛化的湍流导航与补偿。
2023-06-07 cs.LG cs.MA cs.RO
Evaluation of the Benefits of Zero Velocity Update in Decentralized EKF-Based Cooperative Localization Algorithms for GNSS-Denied Multi-Robot Systems
West Virginia University（西弗吉尼亚大学）
针对无GNSS多机器人系统定位问题，提出在基于DEKF的定位算法中协同使用零速更新，经仿真与真实实验验证，该方法可显著提升3D定位精度并帮助其他机器人恢复定位。
2023-06-30 cs.RO
Multi-robot Cooperative Box-pushing problem using Multi-objective Particle Swarm Optimization Technique
Jaya Engineering College（贾亚工程学院）；Jadavpur University（贾达普大学）
本文提出了一种新的方法来解决著名的多机器人合作推箱问题作为一个多目标优化问题，采用改进的多目标粒子群优化算法。这里提出的方法允许在移动到期望的目标位置期间转动和平移盒子。我们已经采用了本地规划方案，以确定由两个移动机器人在盒子上的特定位置垂直地施加的力的大小，以在盒子的运动的每个不同的步骤中对齐和平移它，以最小化时间和能量。最后将所得结果与用非支配排序遗传算法-Ⅱ（NSGA-II）求解同一问题的结果进行了比较。该计划被发现，以提供更好的结果相比，NSGA-II。
2012-05-03 cs.NE cs.RO
