Rapidly adapting robot swarms with Swarm Map-based Bayesian Optimisation
University of Southampton(南安普顿大学)
针对集群机器人应对环境扰动的性能恢复难题,提出SMBO和SMBO-Dec两种基于Swarm Map的贝叶斯优化算法,通过搜索控制器存档实现快速行为适应,在多种干扰实验中最多30次评估内性能提升达80%。
2020-12-21 cs.AI cs.MA cs.NE
Controlling Robot Swarm Aggregation through a Minority of Informed Robots
University of Namur(那慕尔大学);Université Libre de Bruxelles(布鲁塞尔自由大学)
自组织聚合是群体机器人中一个研究得很好的行为,因为它是发展更高级的群体级响应的先决条件。在本文中,我们研究了分散算法的设计一群异构的机器人,自我聚集在不同的目标网站。以前的研究表明,包括作为群体的一部分,一些知情的机器人可以引导动态的聚合过程中的群体之间的可用聚合站点的理想分布。我们已经复制了以前的研究结果,使用一种简化的方法:我们删除了与机器人的通信协议相关的约束,并简化了控制机制,调节概率控制器的状态之间的转换。结果表明,与以前的,更复杂的,控制器获得的性能可以复制与我们的简化方法,提供了明显的优势,在物理机器人的便携性和灵活性。也就是说,我们的简化方法可以产生自组织的聚合反应,在一个更大的一组操作条件比可以实现的复杂控制器。
2022-08-26 cs.RO
Federated Reinforcement Learning for Collective Navigation of Robotic Swarms
The University of Manchester(曼彻斯特大学);Czech Technical University in Prague(布拉格捷克理工大学);Durham University(杜伦大学)
深度强化学习(DRL)的最新进展通过允许自动控制器设计而为机器人技术做出了贡献。群机器人系统需要比单个机器人系统更复杂的控制器来引导期望的集体行为,自动控制器的设计是群机器人系统设计的关键方法。虽然基于DRL的控制器设计方法显示了其有效性,但在机器人-服务器通信不稳定或有限的现实环境中,对中央训练服务器的依赖是一个关键问题。我们提出了一种新的联邦学习(FL)为基础的DRL训练策略(FLDDPG)用于群体机器人应用。通过在有限通信带宽的情况下与基线策略的比较,结果表明,FLDDPG方法导致更高的鲁棒性和推广能力到不同的环境和真实的机器人,而基线策略受到通信带宽的限制。这一结果表明,所提出的方法可以使在通信带宽有限的环境中操作的群机器人系统受益,例如,在高辐射、水下或地下环境中。
2022-09-11 cs.LG cs.RO
Distributed 3D Source Seeking via SO(3) Geometric Control of Robot Swarms
Department of Computer Engineering, Automation \& Robotics
本文提出基于SO(3)几何控制的分布式3D源搜索框架,通过比例前馈控制器实现机器人指数级对齐至源方向,避免欧拉角奇异性和四元数模糊性,数值模拟验证有效性。
2025-10-08 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
From Formalised State Machines to Implementations of Robotic Controllers
University of York(约克大学)
自主机器人系统的控制器可以使用状态机来指定。然而,这些通常是在没有正式的语义,这使得它很难分析控制器的特设方式开发。仿真经常在开发过程中使用,但设计的控制器和实现之间的严格联系往往被忽视。本文提出了一种基于状态机的符号,RoboChart,连同一个工具,自动创建代码的状态机,规范和实现之间建立了严格的连接。在RoboChart中,机器人的控制器以图形方式或使用文本描述语言指定。用于仿真的控制器代码通过从规范的直接映射自动生成。我们展示了我们的方法,使用两个案例研究(自组织聚合和集群出租车)在群机器人。使用两个不同的模拟器,显示我们的方法的普遍适用性的模拟。
2017-02-06 cs.RO cs.SE
A Minimalist Controller for Autonomously Self-Aggregating Robotic Swarms: Enabling Compact Formations in Multitasking Scenarios
Santa Catarina State University(圣卡塔琳娜州大学)
本文提出一种仅依赖视距传感器的极简多任务自聚合控制器,使同质机器人群体能自主分选为多个紧凑簇,在保持成簇比例的同时显著提升簇的紧凑性和可扩展性。
2025-07-18 cs.MA cs.RO
Learning to Imitate Spatial Organization in Multi-robot Systems
School of Electronics and Computer Science, University of Southampton(南安普顿大学电子与计算机科学学院)
针对无群体控制器信息下重构机器人群集体行为的问题,提出将先验演示转化为多智能体交互特征并结合MA-GAIL重构行为的方法,在空间组织任务上优于现有算法,为群体行为分析测试提供新途径。
2024-08-22 cs.MA 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
Navigation of micro-robot swarms for targeted delivery using reinforcement learning
本研究使用强化学习算法PPO和RPO,在流体动力学效应下通过单一控制器导航微型游泳者集群至圆形吸收目标,并利用课程学习成功实现了25个游泳者集群的机动控制。
2023-06-30 cs.AI cs.LG cs.RO
Brain-Swarm Interface (BSI): Controlling a Swarm of Robots with Brain and Eye Signals from an EEG Headset
Boston University(波士顿大学);Stanford University(斯坦福大学)
这项工作提出了一种新的婚姻群机器人和脑机接口技术,以产生一个接口,连接用户到一群机器人。建议的界面使用户能够控制群的大小和运动,采用只是思想和眼球运动。思想和眼球运动通过一个现成的脑电图(EEG)耳机从头皮上记录下来。信号处理技术用于滤除噪声并从原始信号中解码用户的眼球运动,而隐马尔可夫模型技术用于从滤波后的信号中破译用户的想法。机器人的动力学控制使用基于势场的群控制器。人类用户通过脑群接口来调节势场的形状和运动参数以移动机器人。该方法被证明是实验室环境中的一个人控制一群三个M3PI机器人,以及控制一群128个机器人在计算机模拟。
2016-12-24 cs.MA cs.RO
Automated Formation Control Synthesis from Temporal Logic Specifications
Eindhoven University of Technology(埃因霍温理工大学)
本文针对多机器人集群在结构化环境中执行时序逻辑规范任务的问题,提出一种具备安全性与收敛性保证的控制器综合框架,可自主切换编队并应对环境事件,并通过多四旋翼导航仿真验证其有效性。
2023-09-15 cs.RO cs.SY eess.SY
LLM2Swarm: Robot Swarms that Responsively Reason, Plan, and Collaborate through LLMs
IRIDIA(IRIDIA研究所);Université Libre de Bruxellles(布鲁塞尔自由大学);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
针对机器人群控制器定制耗时易错、难应对突发情况的问题,提出LLM2Swarm框架,探索间接集成(LLM合成验证控制器)与直接集成(机器人本地运行LLM协作)两种方案,验证了其异常检测等能力并开源系统。
2024-10-30 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
Temperament Engineering: Designing Strategic Behavioural Diversity in Robot Swarms
University of Bristol(布里斯托大学)
提出气质工程框架,将机器人群体行为分布作为设计对象,借鉴动物气质五轴定义连续参数,通过三阶段流程实现离线设计,以在去中心化场景中利用异质性提升群体性能。
2026-09-25 cs.MA cs.RO
Memory-Efficient 2D/3D Shape Assembly of Robot Swarms
Cavendish Laboratory, University of Cambridge(剑桥大学卡文迪许实验室);School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);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);College of Artificial Intelligence, Zhejiang University(浙江大学人工智能学院)
本文提出了一种记忆高效的树表示方法和基于行为的分布式控制器,用于实现机器人群在2D和3D中的高效形状组装,显著降低了内存使用并提升了速度。
2026-02-23 cs.RO
ROS2swarm - A ROS 2 Package for Swarm Robot Behaviors
Institute of Computer Engineering, University of Lübeck(吕贝克大学计算机工程学院);Institute of Robotics, University of Lübeck(吕贝克大学机器人学院)
针对群体机器人软件开发难、硬件平台多样且依赖机器人间通信的问题,本文提出 ROS 2 软件包 ROS2swarm,提供可直接使用的群体行为原语库,并在三种机器人平台上验证其可维护性与可扩展性。
2024-05-03 cs.MA cs.RO
Analytical Swarm Chemistry: Characterization and Analysis of Emergent Swarm Behaviors
George Mason University(乔治·玛森大学);Kahlert School of Computing, University of Utah(计算学院,犹他大学)
本文提出解析式群体化学框架,结合宏观状态与相图分析,系统探索群体参数对涌现行为的影响,识别出 milling 和 diffusion 的充分条件,并在真实机器人上初步验证,为可预测涌现行为奠定基础。
2025-10-26 cs.RO cs.SY eess.SY
Transporting Robotic Swarms via Mean-Field Feedback Control
University of Notre Dame(圣母大学)
随着人工智能和机器人技术的快速发展,运输大量联网机器人在不久的将来具有可预见的应用。现有的研究群体机器人主要遵循自下而上的哲学与预定义的本地协调和控制规则。然而,要验证全局需求并分析其性能是困难的。这促使我们追求一个自上而下的方法,并开发一个可证明的控制策略,部署一个机器人群,以实现所需的全球配置。具体地说,我们使用平均场偏微分方程(PDE)来模拟群并控制其平均场密度(即,概率密度)。所提出的控制律使用密度估计作为反馈信号,并生成相应的速度场,通过局部作用于单个机器人,引导其全局分布到目标轮廓。因此,速度场的设计是集中式的,但控制器的实现可以完全分布式-各个机器人感测速度场并相应地导出它们自己的速度控制信号。关键的贡献在于应用输入到状态稳定性(ISS)的概念,表明受扰闭环系统(非线性和时变PDE)是局部ISS的密度估计误差。所提出的控制律的有效性进行了验证,使用基于代理的仿真。
2021-03-18 cs.RO cs.SY eess.SY
Leveraging Human Feedback to Evolve and Discover Novel Emergent Behaviors in Robot Swarms
University of Utah(犹他大学)
该研究提出结合自监督学习、人在回路反馈、新颖性搜索与聚类的框架,以自动发现并分类机器人群体的涌现行为。
2023-07-16 cs.LG cs.MA cs.RO
Swarm navigation of cyborg-insects in unknown obstructed soft terrain
Graduate School of Information Science and Technology, Osaka University(大阪大学信息科学与技术研究生院);Graduate School of Advanced Science and Engineering, Hiroshima University(广岛大学先进科学与工程研究生院);School of Mechanical & Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院)
针对半机械昆虫因个体反应差异导致的多系统协调控制难题,提出一种集群导航算法并经实验验证,通过结合生物有机体与控制理论推进了集群机器人学。
2024-12-21 cs.RO cs.SY eess.SY
Physics-Informed Modeling and Control of Emergent Behaviors in Robot Swarms
School of Computer and Communication Engineering, University of Science and Technology Beijing(北京科技大学计算机与通信工程学院);Shunde Innovation School, University of Science and Technology Beijing(北京科技大学顺德创新学院)
提出PhySwarm框架,利用多阶段对流-扩散-反应宏观模型和等效确定性运动微观模型,结合神经物理控制器,实现机器人群体多阶段涌现行为的建模与控制。
2026-06-01 cs.MA cs.RO
Enabling Urgency-aware Robot Swarm Intralogistics using Smart IoT Tags
University of Bristol(布里斯托尔大学);School of Engineering Mathematics and Technology(工程数学与技术学院);School of Computer Science(计算机科学学院);School of Electrical, Electronic and Mechanical Engineering(电气、电子与机械工程学院)
该研究提出配备智能IoT标签的分散式机器人群物流系统,通过货物紧急度广播实现无中央调度的优先级分配,物理试验与仿真均验证其能提升紧急货物服务比例、降低延迟且吞吐量接近基准。
2026-08-06 cs.RO
Achieving Connectivity Between Wide Areas Through Self-Organising Robot Swarm Using Embodied Evolution
Oslo Metropolitan University(奥斯陆城市大学)
通信基础设施偶尔会发生中断,专门的人工人员将出去修复中断,恢复通信能力。然而,有时这对执行任务的人员可能是危险的,这可能是在战争情况下,环境灾害如地震或有毒物质泄漏或发生火灾的情况下。因此,如果部署的自主机器人可以实现相同的结果,那么人类伤亡可以最小化:在两个先前遥远但连接的站点之间建立通信链路。在本文中,我们研究了部署移动ad hoc机器人之间的中继交通。为了让机器人正确定位自己,我们从人工生命中的自组织和涌现中获得灵感,如果调用系统中代理的正确本地规则,则可以实现共同的总体目标。我们将两个站点之间的连接方面集成到多机器人仿真平台JBotEvolver中。机器人群由Thymio II机器人组成。此外,我们比较了三种进化论,其中一种使用神经进化(神经网络的进化)来展示如何在整合中使用自组织和具身进化。我们在机器人控制器中使用的实施例显示了有希望的结果,并为进一步的调查提供了坚实的知识和指导方针。
2018-07-12 cs.NE cs.RO
Robust Barrier Functions for a Fully Autonomous, Remotely Accessible Swarm-Robotics Testbed
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所)
Robotarium是一个可远程访问的群集机器人测试平台,它为数以百计的用户提供了免费的、开放获取的机器人技术和控制研究,进行了数千次实验。这种高水平的使用要求系统中的自主性,这主要对应于用户提交的上下文中的约束满足。换句话说,在用户对机器人的输入可能导致碰撞的情况下,必须改变这些输入以自动避免这些碰撞。然而,这些改变必须是最小的,以保持用户在实验中的目标。为此,该系统利用了屏障功能,其允许微创的生物合成过程。然而,障碍函数尚未相对于未建模的干扰(例如,车轮打滑或分组丢失)。因此,本文为一类受扰控制仿射系统制定了鲁棒障碍函数,这反过来又是机器人完全自主操作的关键(即,没有人的监督)。实验结果表明,这种强大的配方在机器人的长期实验的有效性。
2019-09-06 cs.MA cs.RO cs.SY
Minimalist exploration strategies for robot swarms at the edge of chaos
Federal University of Santa Catarina(圣卡塔琳娜联邦大学);Institute of Science and Technology of Cognition, National Research Council(国家研究委员会认知科学与技术研究所);Federal University of Rio Grande(里奥格兰德联邦大学)
本文研究资源受限机器人集群的探索问题,提出用随机布尔网络生成混沌或混沌边缘动力学作为 Kilobot 的极简控制器,并通过进化机器人学优化探索行为,显著优于 Lévy 调制的相关随机游走。
2024-06-19 cs.MA cs.RO
Innate Motivation for Robot Swarms by Minimizing Surprise: From Simple Simulations to Real-World Experiments
Institute of Computer Engineering, University of Lübeck(吕贝克大学计算机工程学院)
本文提出通过神经进化最大化传感器预测准确性以最小化意外,从而实现机器人集群的先天动机,并通过仿真与真实机器人实验验证了该方法在行为多样性、鲁棒性和可扩展性方面的有效性。
2024-05-04 cs.MA cs.NE cs.RO
Distributed Task Allocation in Homogeneous Swarms Using Language Measure Theory
MERL(三菱电机研究实验室)
在本文中,我们提出了算法,用于合成控制器分配一组(可能是成群)的同质机器人(代理)在异构的任务,并行操作。我们提出的算法,以及分析的全局和局部反馈为基础的控制器的群体。利用不可约马尔可夫链的遍历性,设计了一种全局群体控制器。此外,提供一定程度的自治代理,我们增加了这个全球控制器的本地反馈为基础的控制器,使用语言测量理论。我们提供了所提出的算法的分析,以证明其正确性。数值实验表明,所提出的算法的性能。
2021-06-25 cs.RO cs.SY eess.SY
Steering a Particle Swarm Using Global Inputs and Swarm Statistics
University of Houston(休斯顿大学)
微机器人有可能彻底改变许多应用,包括目标材料输送,组装和手术。有望实现突破性解决方案的相同特性--小尺寸和大群体--为控制运动带来了独特的挑战。机器人操作通常假设智能代理,而不是由全局信号操纵的粒子系统。为了确定粒子操纵的关键参数,我们使用了一系列在线游戏,玩家可以操纵多达500个粒子来完成操纵挑战。我们记录了超过一万名玩家的统计数据。受人类操作员表现良好的技术的启发,我们研究了仅使用群的均值和方差的控制器。我们证明了平均位置是可控的,并提供了条件下,方差是可控的。接下来,我们推导出自动控制器,这些和一个基于开关的控制,以调节粒子分布的前两个时刻。最后,我们采用这些控制器作为原语的对象操作任务,并实现所有控制器的100 kilobots控制的方向的全球光源。
2017-06-06 cs.RO
Controlling Parent Systems Through Swarms Using Abstraction
The George Washington University(乔治·华盛顿大学);The University of Delaware(特拉华大学)
本研究考虑了父子系统的控制,其中父系统由一组可控子系统(即群)作用。这样的系统的示例包括在表面上推动物体的机器人群、承载大负载的飞行器群、或操纵物体的一组末端执行器。本文提出了一种通过低维抽象状态空间实现群体与父系统解耦的一般方法。这种方法的要求,以及如何在这两个系统上的约束传播通过抽象状态和影响的要求,这两个系统的控制器。为了证明这一点,设计了几个具有硬状态约束的控制器来跟踪一个倾斜平面的给定期望角度轨迹,其中一群机器人在上面行驶。不同大小和属性的同质和异质群被认为是测试该架构的鲁棒性。控制器被证明是局部渐近稳定的,并在仿真中证明。
2019-01-22 cs.RO
On rapid parallel tuning of controllers of a swarm of MAVs -- distribution strategies of the updated gains
Poznan University of Technology(波兹南技术大学);Czech Science Foundation (GAČR)(捷克科学基金);European Union(欧盟)
针对MAV集群控制器整定,提出无模型、可扩展且时间确定的并行整定流程,通过结果平均和多增益并行测试两种增益分配策略,在仿真与真实实验中实现更可靠、更快速的整定。
2025-05-12 cs.RO
Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using Learned Interactions
California Institute of Technology(加州理工学院)
在本文中,我们提出了神经网络群,一个非线性分散稳定控制器的多旋翼群近距离飞行。由于多旋翼之间复杂的气动干扰效应,例如从较高飞行器到较低飞行器的下洗,近距离控制具有挑战性。传统的方法往往不能正确地捕捉这些相互作用的影响,导致控制器,必须保持大的安全距离之间的车辆,因此不能近距离飞行。我们的方法将标称动力学模型与正则化的置换不变深度神经网络(DNN)相结合,该网络可以准确地学习高阶多车辆交互。我们设计了一个稳定的非线性跟踪控制器使用学习模型。实验结果表明,所提出的控制器显着优于基线非线性跟踪控制器的最坏情况下的高度跟踪误差小四倍。我们还经验证明了我们的学习模型推广到更大规模的群体的能力。
2020-03-06 cs.LG cs.RO cs.SY
A model-based framework for learning transparent swarm behaviors
本文提出了一个基于模型的框架,自动和有效地设计可理解和可验证的行为成群的机器人。该框架基于两个不同模型的自动提取:1)被训练以估计机器人的传感器读数与群的全局性能之间的关系的神经网络模型,以及2)显式地对局部状态转换(即,从群中单个机器人的角度观察的转变)。模型可以从具有随机策略的模拟运行的数据集进行训练。第一个模型是用来自动提取一组局部状态,预计将最大限度地提高全球的性能。这些局部状态被称为期望局部状态。第二个模型用于优化随机策略,以增加群中的机器人观察到所需局部状态之一的概率。按照这些步骤,本文提出的框架可以有效地导致有效的控制器。这是测试四个案例研究,具有聚集和觅食任务。重要的是,由于模型,框架允许我们理解和检查群的行为。为此,我们提出了验证检查,以确定一些潜在的问题,可能会阻止实现所需的全球目标的群体。此外,我们还探讨了如何将该框架与"标准"进化机器人策略(即,其中性能是通过模拟测量的),或者利用在线学习。
2021-03-09 cs.AI 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
Learning to Swarm with Knowledge-Based Neural Ordinary Differential Equations
University of Pennsylvania(宾夕法尼亚大学)
提出基于KNODE的框架,仅利用集群轨迹状态观测学习去中心化单机器人控制器,无需动作数据,并在2D与3D蜂拥任务中验证其可复现行为且可扩展规模。
2021-12-06 cs.MA cs.RO
Learning Decentralized Swarms Using Rotation Equivariant Graph Neural Networks
University of Utah(犹他大学);Scientific Computing and Imaging Institute, University of Utah(犹他大学科学计算与成像研究所)
本文提出在去中心化群体控制中引入旋转等变和平移不变对称性的图神经网络控制器,以更少数据和参数实现同等性能并提升泛化能力。
2025-02-26 cs.LG cs.RO
Ant-inspired Walling Strategies for Scalable Swarm Separation: Reinforcement Learning Approaches Based on Finite State Machines
School for Engineering of Matter, Transport and Energy, Arizona State University, Tempe, AZ 85287, USA(1 工程物质、运输与能量学院,亚利桑那州立大学,Tempe, AZ 85287, USA);School of Computing and Augmented Intelligence, Arizona State University, Tempe, AZ 85281, USA(2 计算与增强智能学院,亚利桑那州立大学,Tempe, AZ 85281, USA);School of Life Sciences, Arizona State University, Tempe, AZ 85281, USA(3 生命科学学院,亚利桑那州立大学,Tempe, AZ 85281, USA)
受行军蚁筑墙行为启发,提出基于有限状态机和深度Q网络的两种去中心化控制器,用于异构机器人群体在并发任务中维持空间隔离,仿真显示DQN增强型控制器将混合率降低40-50%并加快收敛。
2025-10-26 cs.RO
Autonomous Cooperative Flight Control for Airship Swarms
Heriot-Watt University(赫瑞-瓦特大学);University of Campinas (UNICAMP)(坎皮纳斯大学(UNICAMP))
本文研究了两种飞艇群自主协同飞行控制器的设计方法。第一个控制器是基于编队飞行的,第二个是基于群体智能策略。在这两种情况下,飞艇团队需要执行两项不同的任务:航路点路径跟踪和地面移动目标跟踪。在这项工作中考虑的无人机平台是在巴西开发的NOAMAY飞艇。我们使用模拟环境来测试所提出的方法。结果表明,固有的灵活性的群体智能的方法在这两个任务。
2020-04-16 cs.RO cs.SY eess.SY
Robust Distributed Control within a Curve Virtual Tube for a Robotic Swarm under Self-Localization Drift and Precise Relative Navigation
Beihang University(北京航空航天大学)
本文针对机器人集群在曲线虚拟管内移动时存在自定位漂移和精确相对导航的条件,引入集群算法减少漂移影响,提出包含五个控制项的改进向量场控制器,并通过仿真和实验验证了方法的有效性。
2022-05-27 cs.RO
Learning Vision-based Flight in Drone Swarms by Imitation
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
今天部署的分散式无人机群要么依赖于代理之间的位置共享,要么依赖于视觉标记的帮助来检测群成员。本文提出了一种基于模仿学习的无标记无人机群的视觉协调方法。每个智能体都由一个小而高效的卷积神经网络控制,该网络将原始全向图像作为输入,并预测与群集算法计算的速度相匹配的3D速度命令。我们开始在仿真中训练,并提出了一个简单而有效的无监督领域自适应方法,将学习到的控制器转移到现实世界中。我们进一步训练控制器与我们的动作捕捉大厅收集的数据。我们表明,在无人机的视觉输入上训练的卷积神经网络不仅可以学习鲁棒的智能体间碰撞避免,而且可以以样本高效的方式学习群的凝聚力。神经控制器有效地学习在视觉输入中定位其他代理,我们通过可视化对代理运动影响最大的区域来显示。我们删除的依赖群成员之间的共享位置只考虑本地视觉信息的控制。因此,我们的工作可以被视为迈向完全分散的、基于视觉的群体的第一步,而不需要通信或视觉标记。
2019-08-08 cs.CV cs.LG cs.MA
Multi-Objective Design of State Feedback Controllers Using Reinforced Quantum-Behaved Particle Swarm Optimization
University of Ottawa(渥太华大学)
本文提出一种新颖的多目标设计方法,利用量子行为粒子群优化算法(QPSO)优化LQR控制器配置,结合模拟退火和高斯邻域选择机制改进初始化方案,引入动态加权准则生成Pareto最优解,通过实验验证其在控制性能上的优越性。
2016-07-04 cs.NE cs.RO cs.SY
Emergence of specialized Collective Behaviors in Evolving Heterogeneous Swarms
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本研究通过演化具有表型可塑性的模拟机器人群体,发现子群体涌现出专门化行为,群体性能依赖子群体交互,并设计了在线调节机制以提升整体性能和可扩展性。
2024-02-07 cs.AI cs.RO
Crowdsourcing Swarm Manipulation Experiments: A Massive Online User Study with Large Swarms of Simple Robots
Boston Children’s Hospital(波士顿儿童医院);Harvard Medical School(哈佛医学院);Rice University(莱斯大学)
微型和纳米机器人有可能彻底改变许多应用,包括靶向材料输送,组装和手术。同样的属性,承诺突破性的解决方案-小规模和大人口-提出了独特的挑战,以产生控制的运动。我们希望使用大量的机器人来执行操作任务;不幸的是,今天进行的人类群体交互研究的样本量有限,难以重现,并且容易出现硬件故障。我们提出一个替代方案。本文探讨了我们通过启动SwarmControl.net发现的危险、陷阱和可能性,这是一款在线游戏,玩家可以操纵多达500个机器人完成操纵挑战。我们记录了数千名玩家的统计数据,并使用游戏来探索大人口机器人控制的各个方面。我们目前的游戏框架作为一个新的,开源的工具,大规模的用户实验。我们的研究结果在人类控制微型和纳米机器人方面具有潜在的应用,为自动控制器提供了洞察力,并为大型在线机器人研究实验提供了模板。
2014-02-15 cs.RO
Decentralized Control of Quadrotor Swarms with End-to-end Deep Reinforcement Learning
University of Southern California(南加州大学)
我们展示了学习无人机群控制器的可能性,这些控制器可以通过大规模多智能体端到端强化学习zero-shot转移到真正的四旋翼。我们训练由神经网络参数化的训练策略,这些神经网络能够以完全分散的方式控制群中的单个无人机。我们的策略在具有逼真四旋翼物理学的模拟环境中进行了训练,展示了先进的群集行为,在紧密编队中执行攻击性机动,同时避免相互碰撞,打破和重新建立编队以避免与移动障碍物碰撞,并有效地协调追捕-规避任务。我们分析,在模拟中,不同的模型架构和参数的训练制度如何影响神经群的最终性能。我们展示了成功部署的模型学习模拟高度资源受限的物理四旋翼执行站保持和目标交换行为。代码和视频演示可在项目网站https://sites.google.com/view/swarm-rl上获得。
2021-11-20 cs.RO
Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms using Learned Interactions
California Institute of Technology(加州理工学院)
我们提出了Neural-Swarm 2,一种基于学习的运动规划和控制方法,允许群中的异构多旋翼安全地近距离飞行。由于复杂的空气动力学相互作用力,例如附近无人机产生的下洗和地面效应,无人机的这种操作具有挑战性。传统的规划和控制方法忽略了捕捉这些相互作用的力量,导致在飞行过程中稀疏的群体配置。我们的方法将基于物理的名义动力学模型与具有强Lipschitz特性的学习深度神经网络(DNN)相结合。我们利用两种技术来准确预测异质多旋翼之间的气动相互作用:i)谱归一化,用于稳定性和不可见数据的泛化保证; ii)异质深度集,用于以置换不变的方式支持任何数量的异质邻居,而不会降低表达能力。学习的剩余动力学的好处,提出的相互作用感知的多机器人运动规划和非线性跟踪控制设计,因为学习的相互作用力减少建模误差。实验结果表明,Neural-Swarm 2能够推广到训练案例之外的更大的群体,并显着优于基线非线性跟踪控制器,最坏情况下的跟踪误差减少了三倍。
2021-07-16 cs.AI cs.LG cs.RO
Exploring Self-Assembling Behaviors in a Swarm of Bio-micro-robots using Surrogate-Assisted MAP-Elites
Ochanomizu University(御茶水女子大学);Sorbonne Université(索邦大学);CNRS Institut des Systèmes Intelligents et de Robotique (ISIR)(法国国家科学研究中心智能系统与机器人研究所)
成群的分子机器人是通过自组装在微观尺度上创造特定形状的一种有前途的方法。然而,控制它们的行为是一个具有挑战性的问题,因为它涉及复杂的非线性动力学和高实验可变性。手工制作一个分子控制器通常是耗时的,并给出次优的结果。优化方法,如bioNEAT算法,以前被用来部分克服这些困难,但他们仍然不得不应付欺骗性的高维搜索空间和计算昂贵的模拟。在这里,我们描述了一种新的方法来解决这个问题,使用MAP精英,搜索高性能和多样化的解决方案的算法。然后,我们将其应用于我们最近引入的分子机器人框架,该框架允许在微观尺度上进行传感,信号传递和自组装,并表明MAP-Elites优于以前的方法。此外,我们提出了一个微型机器人物理和化学反应动力学的代理模型,以减少仿真的计算成本。我们表明,由此产生的方法是能够优化控制器,具有类似的精度,当只使用一个成熟的现实模型,一半的计算预算。
2019-10-01 cs.NE cs.RO
Self-calibration of a differential wheeled robot using only a gyroscope and a distance sensor
Imperial College London(伦敦帝国理工学院)
移动机器人的研究通常要求平台在成本和可靠性之间具有足够的平衡。在地面机器人的情况下,一个可用的选项是GNBot,一个开放的硬件项目,旨在评估群搜索策略。由于缺乏基本的里程传感器,如车轮编码器,到目前为止,难以在该平台上实现精确的高级控制器。因此,本论文的目的是改善GNBot的运动控制,结合陀螺仪,同时保持必要的无轮编码器。已经解决的问题包括:精确的原地旋转,线性运动期间的最小漂移,以及弧执行功能。此外,所得到的控制器通过使用每个机器人上的陀螺仪模块和红外测距仪进行自主校准,大大简化了大群的校准。该报告首先解释了为了实现自校准例程而做出的设计决策,然后通过离线视频跟踪来评估新运动控制器的性能。新的控制器的运动精度进行了比较,与以前现有的解决方案在气味搜索实验。
2015-09-07 cs.RO
Data-Driven Convergence Prediction of Astrobots Swarms
EPFL(洛桑联邦理工学院);Turin Polytechnic(都灵理工大学)
天文机器人是机器人文物,其集群用于天体物理学研究,以生成可观测宇宙的地图。这些群必须与各种期望的观测相协调。这种协调是如此复杂,分布式群体控制器不能总是协调足够的天体机器人,以满足所需的最小数据,在观测过程中获得。因此,收敛性验证是必要的,以检查其执行之前的协调的适用性。然而,不存在用于此目的的形式化验证方法。在本文中,我们使用机器学习来预测天体机器人群的收敛。特别是,我们提出了一个加权的$k$ -神经网络为基础的算法,它需要一个群体的初始状态,以及它的观测目标,以预测其收敛性。我们的算法学习预测的基础上获得的协调数据从以前的协调所需的群体。该方法首先基于距离度量为每个天体机器人生成收敛概率。然后,将这些概率转换为完整或不完整的分类结果。该方法被应用于两个典型的群体,包括116和487个航天机器人。事实证明,成功协调的正确预测可能高达总体预测的80%。因此,这些结果证明了我们的预测收敛分析策略的有效准确性。
2020-05-29 astro-ph.IM cs.RO
Deployment of UAVs for Optimal Multihop Ad-hoc Networks Using Particle Swarm Optimization and Behavior-based Control
VNU University of Engineering and Technology(越南国立大学工程技术大学);Fulbright University Vietnam(越南富布赖特大学)
本研究提出一种方法,建立一个最佳的多跳ad-hoc网络,使用多个无人机(UAV),以提供紧急通信在灾区。该方法包括两个阶段,一个是使用粒子群优化算法(PSO)来寻找最佳位置部署无人机,另一个是使用基于行为的控制器来导航无人机到其指定的位置,而不会与未知环境中的障碍物碰撞。已经施加了与UAV的感测和通信范围相关的几个约束,以确保所提出的方法在现实世界场景中的适用性。已经进行了一些模拟实验,从真实环境中加载的数据。结果表明,我们提出的方法不仅是成功地建立多跳ad-hoc路由,但也满足无人机的实时部署的要求。
2022-12-26 cs.RO
Leaderless Swarm Formation Control: From Global Specifications to Local Control Laws
North Carolina Agricultural and Technical State University(北卡罗来纳农业技术州立大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
本文介绍了一种分布式无领导群体编队控制框架,以解决集体驱动一群机器人跟踪时变编队的问题。群的形成是由一个抽象的形状,外接的机器人的位置的凸包的轨迹,是独立的机器人的数量和它们在群中的顺序。对于每个机器人在群中,给定的全球规格的抽象形状参数的轨迹,所提出的框架合成的控制律,引导群跟踪所需的形成使用的信息,在机器人的本地邻居。为了这个目的,我们产生一个合适的本地参考轨迹,机器人控制器通过解决输入输出线性化问题的跟踪。在这里,我们选择群体输出作为抽象形状的参数。为此,我们设计了一个动态平均一致性估计器来估计抽象的形状参数。抽象的形状参数被用来作为群体状态反馈,以产生一个合适的机器人轨迹。我们证明了所提出的控制框架的有效性和鲁棒性,通过提供一组车一样的机器人在机器人和通信链路故障的存在下,协调集体导航的模拟。
2022-04-09 cs.RO cs.SY eess.SY
Gesture based Human-Swarm Interactions for Formation Control using interpreters
Department of Mechanical and Aerospace Engineering, University of California at San Diego, La Jolla, CA 92093, USA(机械与航空航天工程系,加州大学圣地亚哥分校,拉古拉,CA 92093,美国)
本文提出了一种新颖的人群-蜂群交互框架,通过手势控制蜂群形状和编队。该框架利用可穿戴臂带记录手势,通过解释器将手势转化为蜂群控制指令,结合机器学习和最优控制技术实现编队控制。
2018-04-23 cs.MA cs.RO cs.SY
Personalized Human-Swarm Interaction through Hand Motion
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Ecole Normale Supérieure Paris-Saclay(巴黎-萨克雷高等师范学校);Université Paris-Saclay(巴黎-萨克雷大学)
集体机器人系统的控制,如无人机群,往往委托给自主导航算法,由于其高维。然而,与其他机器人实体一样,无人机群仍然可以受益于人类操作员的远程操作,人类操作员的感知和决策能力仍然超出了自主系统的范围。无人机群远程操作只是在黎明,标准的人类群体接口(HRI)是失踪的日期。在这项研究中,我们分析了天真的用户与一群无人机的自发互动策略。我们实现了一个机器学习算法来定义一个个性化的身体-机器接口(BoMI)的基础上,只有一个简短的校准过程。在这个过程中,人类操作员被要求自发地移动,就好像他们在控制一个模拟的无人机群一样。我们评估了手是最常用的身体部分,因此我们选择了LEAP运动控制器来跟踪它们,让用户控制空中无人机群。这种选择使我们的界面便携,因为它不依赖于一个集中的系统来跟踪人体。我们验证了我们的算法来定义个性化的HRI的一组参与者在一个现实的模拟环境中,表现出良好的性能和用户体验的结果。我们的方法给用户留下了前所未有的自由,可以根据他们的身体运动偏好在位置和速度控制之间进行选择。
2021-03-13 cs.HC cs.RO
Swarm manipulation: An efficient and accurate technique for multi-object manipulation in virtual reality
University of Cambridge(剑桥大学);Xi’an Jiaotong University(西安交通大学)
针对VR中多对象操控难题,本文提出Swarm Manipulation技术,并通过两项用户研究证明其在选择、旋转和缩放任务中相较虚拟手与光线投射控制器具有更优速度和可用性。
2024-10-24 cs.HC cs.RO
MARLander: A Local Path Planning for Drone Swarms using Multiagent Deep Reinforcement Learning
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
本文提出MARLander方法,利用多智能体深度强化学习实现无人机集群在静止与移动平台上的精准降落,实验表明其精度优于PID结合人工势场的基线方法,并展示了去集中化的可扩展应用前景。
2024-06-06 cs.MA cs.RO