Online Distributed Trajectory Planning for Quadrotor Swarm with Feasibility Guarantee using Linear Safe Corridor
Seoul National University（首尔大学）；Automation and Systems Research Institute（自动化与系统研究所）
本文提出了一种新的在线多智能体轨迹规划算法，保证在混乱的环境中生成安全，动态可行的轨迹。该算法利用线性安全走廊（LSC）将分布式轨迹优化问题转化为仅含可行约束的问题，避免了采用松弛变量或软约束来避免优化失败。我们采用一种基于优先级的目标规划方法来防止死锁，而不需要额外的过程来决定哪个机器人让步。该算法可以计算60代理的轨迹平均15.5毫秒每个代理与英特尔i7笔记本电脑，并显示了类似的飞行距离和距离相比，基线的基础上软约束。验证了所提方法在随机森林和室内空间均能无死锁地达到目标，并通过迷宫环境下10个四旋翼飞行器的实际飞行试验验证了所提方法的安全性和可操作性。
2022-01-03 cs.RO cs.SY eess.SY
Nonlinear MPC for Quadrotors in Close-Proximity Flight with Neural Network Downwash Prediction
Beihang University（北京航空航天大学）
针对四旋翼近距离飞行中的下洗气流扰动问题，提出NDP-NMPC方法，通过谱归一化训练的神经网络预测扰动并融入非线性模型预测控制，实验显示高度跟踪误差降低75.37%。
2023-09-12 cs.RO
Automatic Parameter Adaptation for Quadrotor Trajectory Planning
Zhejiang University（浙江大学）；Huzhou institute of Zhejiang University（浙江大学湖州研究院）
在线轨迹规划器使四旋翼飞行器能够在未知的混乱环境中安全平稳地航行。然而，调整参数具有挑战性，因为现代规划者已经变得过于复杂，无法进行数学建模和预测它们与非结构化环境的相互作用。这项工作需要人类的循环，提出了一个规划参数自适应框架，制定目标成两个互补的类别，并异步优化它们。分别使用贝叶斯优化（BayesOpt）和粒子群优化（PSO）优化有和无轨迹执行的目标。通过将两类目标相结合，加快了黑箱优化的总收敛速度，同时增加了优化参数的维数。基准比较表明其优于其他策略的性能。通过对障碍物密度变化的测试，验证了其实时环境适应性，这是以前手动调整困难的。不同无人机平台、环境和规划者的真实飞行显示了所提出的框架的可扩展性和有效性。
2022-07-13 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
SwarmCCO: Probabilistic Reactive Collision Avoidance for Quadrotor Swarms under Uncertainty
University of Maryland at College Park（马里兰大学帕克分校）
我们提出了分散的碰撞避免算法的四旋翼机群下不确定的状态估计。我们的方法利用微分平坦性和前馈线性化近似的四旋翼动力学，并执行相互碰撞避免。我们占的位置和速度的不确定性，通过制定碰撞约束的机会约束，它描述了一组速度，避免碰撞与指定的置信水平。我们提出了两种不同的方法制定和解决的机会约束：我们的第一种方法假设高斯噪声分布。我们的第二种方法是它的扩展到非高斯的情况下，使用高斯混合模型（GMM）。我们重新制定的线性机会的约束，等效的确定性约束，这是使用MPC框架计算每个四旋翼的局部无碰撞轨迹。我们评估所提出的算法在模拟基准的情况下，并强调其优点比以前的方法。我们观察到，高斯和非高斯的方法提供了改进的碰撞避免性能的确定性方法。平均而言，高斯方法需要~ 5 ms来计算局部无碰撞轨迹，而我们的非高斯方法在计算上更昂贵，在具有4个代理的场景中平均需要~ 9 ms。
2021-01-25 cs.RO
DCAD: Decentralized Collision Avoidance with Dynamics Constraints for Agile Quadrotor Swarms
University of Maryland, College Park（马里兰大学帕克分校）
我们提出了一种新的，分散的避碰算法，用于在密集的环境中导航的四旋翼机群与静态和动态的障碍物。我们的算法依赖于最优相互碰撞避免（ORCA）的概念，并利用基于平坦度的模型预测控制（MPC）来生成每个四旋翼的局部无碰撞轨迹。我们前馈线性化的非线性动力学的四旋翼，并随后在我们的MPC框架中使用这个线性化的模型。我们的方法是下洗意识和计算安全的轨迹，避免四旋翼进入对方的下洗区域在近距离机动。此外，我们占的不确定性感测的位置和速度数据使用卡尔曼滤波。我们评估我们的算法与其他国家的最先进的方法的性能，并证明其优越的性能，在高速机动过程中产生的轨迹的平滑度和碰撞的概率较低。
2019-12-02 cs.RO
Fast and In Sync: Periodic Swarm Patterns for Quadrotors
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
本文的目的是设计四旋翼群的性能，群作为一个综合的，协调的单位体现移动和变形的对象。我们将创建编舞的任务分为三个基本步骤：设计群体运动原语，在这些运动之间转换，以及同步无人机的运动。其结果是一个灵活的框架，用于设计由各种各样的动作组成的编排。运动基元可以使用很少的参数直观地设计，为舞蹈设计提供了丰富的库。此外，我们结合和适应现有的目标分配和轨迹生成算法，以最大限度地提高运动原语之间的过渡的平滑度。最后，我们提出了一个校正算法来补偿运动延迟和同步的无人机的运动到一个所需的周期性运动模式。所提出的方法进行了实验验证，通过生成和执行编排上的一群25四旋翼。
2019-05-02 cs.RO
Connectivity Maintenance and Recovery for Multi-Robot Motion Planning
Brown University（布朗大学）
本文提出了一种基于贝塞尔曲线的实时运动规划算法，用于多机器人系统中维持和恢复连通性，提升在障碍物环境中导航的成功率。
2026-07-20 cs.RO
SwarmTouch: Guiding a Swarm of Micro-Quadrotors with Impedance Control using a Wearable Tactile Interface
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）
为了实现无人机编队由人类操作员的平稳和安全的引导，我们提出了一种新的人机交互策略，结合阻抗控制和振动触觉反馈。所提出的方法考虑到人手的速度，并相应地使用四旋翼之间的阻抗互连来改变编队形状和动力学，这有助于实现自然的群体行为。提出了几种触觉模式代表静态和动态参数的群体。用户可以在指尖感受到群体的状态，并接收有价值的信息，以提高复杂编队的可控性。一项用户研究揭示了具有高识别率的模式。飞行实验证明了在杂乱的环境中仅使用触觉反馈来精确导航编队的可能性。受试者表示，触觉可以引导无人机编队通过障碍物，并使人类群体通信更具互动性。所提出的技术可能会对人类与群体的互动产生强烈的影响，在群体导航过程中提供更高水平的意识。
2019-09-05 cs.RO
SwarmCloak: Landing of a Swarm of Nano-Quadrotors on Human Arms
Skoltech（斯科尔科沃科技学院）；UEC（电气通信大学）
我们提出了一个新的系统SwarmCloak的四个飞行机器人的舰队在人类的手臂上使用光敏感的着陆垫与振动触觉反馈着陆。我们开发了两种类型的可穿戴触觉显示器与振动马达，这是由四轴飞行器底部的LED阵列发出的光激活。在一项用户研究中，参与者被要求调整手臂的位置，以降落多达两架无人机，只有视觉反馈，只有触觉反馈或视觉-触觉反馈。实验表明，当无人机数量增加时，触觉反馈在准确着陆和操作员的便利性方面发挥着更重要的作用。一个重要的发现是，最好的着陆性能是通过触觉和视觉反馈的结合来实现的。所提出的技术可能会对人类与群体的互动产生强烈的影响，从皮肤表面就可以提供新的直观性和参与群体部署。
2019-11-22 cs.RO
EGO-Swarm: A Fully Autonomous and Decentralized Quadrotor Swarm System in Cluttered Environments
Zhejiang University（浙江大学）；National Engineering Research Center for Industrial Automation (Ningbo Institute)（国家工业自动化工程技术研究中心（宁波研究院））；Huzhou Institute, Zhejiang University（浙江大学湖州研究院）
提出了一种仅利用车载资源的多机器人在未知的多障碍场景中的分散异步自主导航系统解决方案。规划系统制定基于梯度的局部规划框架下，通过制定碰撞风险作为一个惩罚的非线性优化问题，避免碰撞。为了提高鲁棒性和逃避局部极小值，我们采用了一种轻量级的拓扑轨迹生成方法。然后，智能体使用不可靠的轨迹共享网络在几毫秒内生成安全，平滑和动态可行的轨迹。通过在深度图像中进行智能体检测来校正智能体之间的相对定位漂移。我们的方法在模拟和现实世界的实验中证明。现将源代码发布，供社区参考。
2021-05-05 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
Aggressive Trajectory Generation for A Swarm of Autonomous Racing Drones
Zhejiang University（浙江大学）；Zhejiang University of Technology（浙江工业大学）；Northwestern Polytechnical University（西北工业大学）
自主无人机竞赛正在成为挑战四旋翼自主技术的绝佳平台，包括规划，导航和控制技术。然而，关于这个主题的大多数研究主要集中在单个无人机场景。在本文中，我们描述了一种新的时间最优轨迹生成方法，用于生成时间最优轨迹，使一群四旋翼飞行器以其最大机动性无碰撞地通过预定义的航路点。我们在Gazebo仿真中验证了该方法，其中5个四旋翼的群可以在35 m * 35 m的空间中以14 m/s的最高速度飞行通过复杂的6路点赛道。在4 m × 2 m的飞行平台上，对两个四旋翼飞行器进行了通过3个航路点的飞行试验，验证了该方法的可行性。仿真和实际飞行测试表明，该方法可以为一群自主竞赛无人机生成最优攻击轨迹。该方法也可以很容易地转移到其他类型的机器人群。
2023-03-01 cs.RO
SwarmTouch: Tactile Interaction of Human with Impedance Controlled Swarm of Nano-Quadrotors
Intelligent Space Robotics Laboratory, Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院智能空间机器人实验室）
我们提出了一种新的互动策略，当人类操作员引导形成的四旋翼阻抗控制和接收振动触觉反馈的人群通信。所提出的方法考虑到人手的速度，并相应地改变编队的形状和动力学，使用四旋翼之间的阻抗互连模拟，这有助于实现逼真的群体行为。Crazyflie 2.0四旋翼平台的实验结果验证了所提出的控制算法。提出了代表群体动态（伸展或收缩）的触觉模式。使用者可以通过指尖感受到蜂群的状态，并获得有价值的信息，以提高复杂生命形态的可控性。用户研究揭示了具有高识别率的模式。受试者表示，触觉提高了引导无人机编队的能力，并使人类群体通信更具互动性。所提出的技术可能会对人类与群体的互动产生强烈的影响，为群体导航提供新的直观性和沉浸感。
2019-09-05 cs.HC cs.RO
Collision Avoidance and Navigation for a Quadrotor Swarm Using End-to-end Deep Reinforcement Learning
University of Southern California（南加州大学）；Amazon（亚马逊公司）
本文提出端到端深度强化学习方法，结合课程训练、碰撞片段重放和注意力机制，实现四旋翼集群在障碍环境中的避障导航，并首次实现零样本迁移到真实无人机。
2024-05-06 cs.AI cs.MA cs.RO
Optimal Path Planning for Aerial Load Transportation in Complex Environments using PSO-Improved Artificial Potential Fields
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
本文提出一种基于PSO改进人工势场的方法，用于四旋翼吊挂载荷在复杂环境中的最优路径规划，通过优化势场系数并采用滑模控制，实现避障与最短路径运输。
2023-11-17 cs.RO cs.SY eess.SY
Online Trajectory Generation with Distributed Model Predictive Control for Multi-Robot Motion Planning
Dynamic Systems Lab（动态系统实验室）；Institute for Aerospace Studies（航空航天研究所）；University of Toronto（多伦多大学）
我们提出了一种分布式模型预测控制（DMPC）算法，以产生多个机器人的实时轨迹。我们采用了\textit{on-demand collision avoidance}方法在以前的工作中，有效地计算过渡任务中的非碰撞轨迹。提出了一种事件触发的重新规划策略，以考虑干扰。我们的仿真结果表明，所提出的碰撞避免方法可以减少，平均约50%的旅行时间需要完成一个多智能体点到点的过渡时，相比研究良好的缓冲Voronoi细胞（BVC）的方法。此外，它在具有高密度代理的过渡任务中显示出更高的成功率，在18 m^3的竞技场中，30个手掌大小的四旋翼代理的成功率超过90%。该方法通过一群多达20架的无人机近距离飞行进行了实验验证。
2020-01-24 cs.RO
Optimum Configuration for Hovering n-Quadrotors carrying a Slung Payload
King Fahd University of Petroleum & Minerals（法赫德石油和矿产大学）；Interdisciplinary Research Center for Aviation and Space Exploration (IRC-ASE)（航空航天探索跨学科研究中心）
本文提出一种基于几何对齐的悬挂载荷多四旋翼悬停配置策略，并开发MATLAB建模软件，通过考虑推力与桨距计算最少所需四旋翼数量，数值实验验证了其有效性。
2024-11-24 cs.RO math.DS
MRNAV: Multi-Robot Aware Planning and Control Stack for Collision and Deadlock-free Navigation in Cluttered Environments
University of Southern California（南加利福尼亚大学）；Technical University of Berlin（柏林工业大学）
针对杂乱环境下多机器人无碰撞无死锁导航问题，提出结合短中长三级视距决策模块的MRNAV分层框架，经多四旋翼仿真验证其有效性与长期可执行性。
2023-08-25 cs.MA cs.RO
Deadlock and Noise in Self-Organized Aggregation Without Computation
Arizona State University（亚利桑那州立大学）；The Peggy Payne Academy at McClintock High School（麦克林托克高中佩吉·佩恩学院）
研究无计算自组织聚合算法在多机器人系统中的死锁问题，证明确定性运动下存在死锁构型，并发现少量误差可避免死锁，同时提出一种离散噪声版本。
2021-08-20 cs.DC cs.RO
SPOT: Spatio-Temporal Obstacle-free Trajectory Planning for UAVs in Unknown Dynamic Environments
Robotics Research Center, IIIT Hyderabad, India（IIIT海得拉巴机器人研究中心，印度）；IIT-BHU, India（IIT-BHU，印度）
提出一种基于4维时空规划器、视觉安全飞行走廊生成和轨迹优化的无地图反应式运动规划方法，实现无人机在未知动态环境中的避障，并通过备份规划模块应对死锁。
2026-07-03 cs.RO cs.SY eess.SY
LSwarm: Efficient Collision Avoidance for Large Swarms with Coverage Constraints in Complex Urban Scenes
在本文中，我们解决的问题，避免碰撞的一群无人机用于连续监视城市环境。我们的方法，LSwarm，有效地避免碰撞静态障碍物，动态障碍物和其他代理在3-D城市环境中，同时考虑覆盖范围的限制。LSwarm计算避免碰撞的速度，（i）最大化代理与全局覆盖策略给出的最佳路径的一致性，以及（ii）确保每个代理收集的覆盖数据的足够分辨率。我们的算法是制定基于ORCA（最佳互惠碰撞避免），是可扩展的相对于群体的大小。我们评估LSwarm在复杂城市模型中四旋翼飞行器群的真实模拟中的覆盖性能。在实践中，我们的方法可以计算碰撞避免速度的几十到几百个代理组成的群体在几毫秒内密集的城市场景，包括几十个建筑物。
2019-05-26 cs.RO
SafeSwarm: Decentralized Safe RL for the Swarm of Drones Landing in Dense Crowds
Skoltech（斯科尔科沃科技学院）
本文提出SafeSwarm系统，结合强化学习与安全学习，使具有不同动力学的无人机群能在拥挤环境中避障并降落在移动平台上，实验验证了其2.25厘米的降落精度与鲁棒性。
2025-01-13 cs.RO
RSC: Decentralized Rigid Formation Flocking for Large-Scale Swarms via Hybrid Predictive Control and Online Reconfiguration
University of Science and Technology of China（中国科学技术大学）
提出一种分散式控制框架RSC，结合有限时域轨迹预测与反应式人工势场安全控制器，并引入在线领航-跟随重配置机制，在25架无人机杂乱环境中实现83%的编队保持、避障与目标跟踪成功率。
2026-06-02 cs.RO
Towards Large-Scale Scalable MAV Swarms with ROS2 and UWB-based Situated Communication
Turku Intelligent Embedded and Robotic Systems (TIERS) Lab（图尔库智能嵌入与机器人系统实验室）；University of Turku（图尔库大学）
微型飞行器群的设计和开发最近获得了重大的牵引力。协同空中蜂群在监视和监测、库存管理、搜索和救援或娱乐业等不同领域都有潜在的应用。根据定义，群体智能具有分布式特性。然而，在真正的分布式系统中进行实验并不总是可能的，因为所采用的大部分底层生态系统需要某种中央控制。事实上，在概念的实验证明中，大多数研究都依赖于更传统的连接解决方案和集中式方法。通常使用外部定位解决方案，例如运动捕捉（MOCAP）系统、视觉标记或超宽带（UWB）锚点。或者，群内解决方案通常在以下方面受到限制，例如，范围或视野。研究和开发得到了e-puck、kilobot或crazyflie四旋翼机等平台的支持。我们认为，需要像Crazyflie这样具有更先进的机载处理能力和传感器的廉价平台，同时提供可扩展性和强大的通信和本地化解决方案。在下文中，我们提出了一个目前正在开发的空中集群的研究和开发平台，其中我们利用Wi-Fi网状连接和分布式ROS 2中间件以及UWB测距和通信进行现场通信。我们提出了一个平台，利用ROS 2中间件，Wi-Fi网状连接，UWB测距和通信，建立大规模的自主MAV群。该平台基于Ryze Tello Drone，Raspberry Pi Zero W作为配套计算机以及相机模块，以及Decawave DWM 1001 UWB模块用于测距和基本通信。
2021-03-11 cs.RO
Nearest-Neighbor-based Collision Avoidance for Quadrotors via Reinforcement Learning
Technische Universität Darmstadt（达姆施塔特工业大学）
碰撞避免算法是许多无人机应用的核心兴趣。特别是，分散的方法可能是在集中式通信在计算上变得禁止的情况下实现强大的无人机群解决方案的关键。在这项工作中，我们从椋鸟群（Sturnus vulgaris）中汲取生物学灵感，并将其应用于端到端学习分散式避碰。更具体地说，我们提出了一个新的，可扩展的观察模型仿生最近邻信息约束，导致快速学习和良好的碰撞避免行为。通过提出一种通用的强化学习方法，我们获得了一种基于端到端学习的方法，将碰撞避免与任意任务（如包收集和编队更改）相集成。为了验证这种方法的通用性，我们成功地应用我们的方法，通过运动模型的中等复杂性，建模的势头，但允许直接应用到现实世界的四旋翼与标准的PID控制器。与之前的工作相比，我们发现，在我们足够丰富的运动模型中，最近邻信息确实足以学习有效的碰撞避免行为。我们学习的策略在模拟中进行测试，随后转移到现实世界的无人机上，以验证其在现实世界中的适用性。
2022-02-18 cs.AI cs.LG 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
An Efficient Real-Time Planning Method for Swarm Robotics Based on an Optimal Virtual Tube
School of Automation Science and Electrical Engineering, Beihang University（自动化科学与电气工程学院，北京航空航天大学）
本文提出结合集中式最优虚拟管规划与分布式控制的群体机器人轨迹规划框架，实现低计算量高频率重规划，融合多步与反应式规划的优势。
2026-04-24 cs.RO cs.SY eess.SY
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
Connectivity Preserving Decentralized UAV Swarm Navigation in Obstacle-laden Environments without Explicit Communication
Kyoto University of Advanced Science（京都先进科学大学）；Okayama University（冈山大学）
本文针对障碍物环境下无人机集群在无显式通信时的导航问题，提出基于控制障碍函数的新型控制方法，克服现有人工势场方法的缺陷，通过优化或近似修正控制输入，经仿真和真实实验验证有效性。
2024-11-28 cs.RO cs.SY eess.SY
Learning Vision-based Cohesive Flight in Drone Swarms
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出了一种数据驱动的方法，从一个简单的群集算法学习基于视觉的集体行为。我们模拟了一群四旋翼无人机，并将控制器制定为回归问题，其中我们直接从原始相机图像生成3D速度命令。该数据集是通过同时采集全向图像和从群集算法计算相应的控制命令来创建的。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碰撞避免，而且可以以样本高效的方式学习群的一致性。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。该弱监督显著图可以被有效地计算，并且可以用作其他代理的后续检测和相对定位的先验。我们消除了依赖于羊群成员之间的共享位置，只考虑本地的视觉信息控制。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来帮助检测其他代理。
2018-09-03 cs.CV cs.LG cs.MA
Distributed Control for a Multi-Agent System to Pass through a Connected Quadrangle Virtual Tube
Beihang University（北京航空航天大学）
为了在杂乱环境中引导多智能体系统，设计了一个连通的四边形虚拟管，使所有智能体在其中保持运动，其基础称为单梯形虚拟管。管内没有障碍物，即管内区域可视为安全区。针对单梯形虚拟管道通过问题，提出了一种分布式群控制器。这个问题是解决了梯度向量场方法，没有局部极小值。通过形式化的分析和证明，证明了所有智能体都能通过单个梯形虚拟管道。最后，为了便于实际应用，提出了一种改进的控制器。对于连通四边形虚拟管，提出了一种改进的切换逻辑，以避免死锁和防止代理移动到虚拟管之外。最后，通过数值仿真和实际实验验证了该方法的有效性.
2022-07-14 cs.RO
Decentralized End-to-End Multi-AAV Pursuit Using Predictive Spatio-Temporal Observation via Deep Reinforcement Learning
School of Intelligence Science and Engineering（智能科学与工程学院）；Guangdong Key Laboratory of Intelligent Morphing Mechanisms and Adaptive Robotics（广东省智能变形机制与自适应机器人重点实验室）；Shenzhen Key Lab for Advanced Motion Control and Modern Automation Equipments（深圳先进运动控制与现代自动化设备重点实验室）；Harbin Institute of Technology（哈尔滨工业大学）
本文提出一种去中心化端到端多智能体强化学习框架，通过预测时空观测实现自主空中群体在复杂环境中的追捕，提升捕获效率和协同成功率。
2026-06-07 cs.RO
Decentralized Safe Reactive Planning under TWTL Specifications
University of Minnesota（明尼苏达大学）
我们研究了一个多智能体规划问题，每个智能体的目标是实现一个单独的任务，同时避免与他人的冲突。我们假设每个代理的任务表示为一个时间窗口时序逻辑（TWTL）规范定义在一个3D环境。我们提出了一个分散的滚动时域算法在线规划的轨迹。我们表明，当环境是充分连接，所产生的代理轨迹总是安全的（无碰撞），并导致满意的TWTL规范或其有限的时间松弛。因此，死锁总是被避免，并保证每个代理在最坏的情况下，以有限的时间延迟安全地完成其任务。所提出的算法的性能通过数值模拟和实验证明与四旋翼。
2020-07-23 cs.MA cs.RO cs.SY
Symmetries-enhanced Multi-Agent Reinforcement Learning
University of Pennsylvania（宾夕法尼亚大学）；Athena RC（雅典娜研究中心）
本文提出一种嵌入外在对称性的多智能体强化学习框架，通过群等变Graphormer架构，在对称性破缺的四旋翼机群任务中显著降低碰撞率并提升任务成功率，实现更好的泛化与零样本可扩展性。
2025-04-25 cs.AI cs.LG cs.MA
Full 3D Radiation Pattern Approximation in Multi-Rotor UAVs
Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程系）；Mohammed VI Polytechnic University（穆莱·伊沙克·博格达特大学）
提出一种通过校准飞行数据学习异构四旋翼无人机天线辐射模式的方法，利用球谐级数或加权平均建模，并通过线性回归解耦独立无人机的辐射模式，在真实数据集上实现4.56 dB RMS外推误差。
2026-10-23 cs.RO
AttentionSwarm: Reinforcement Learning with Attention Control Barier Function for Crazyflie Drones in Dynamic Environments
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Intelligent Space Robotics Laboratory（智能空间机器人实验室）；Skolkovo Institute of Science and Technology（斯克尔科维科学与技术学院）；AI Center（人工智能中心）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本研究提出新型基准AttentionSwarm及基于注意力模型的CBF框架，结合注意力机制与安全控制理论实现动态环境下无人机集群安全高效控制，经Crazyflie 2.1无人机实验验证无碰撞导航率达95%-100%，为多机器人应用提供基础。
2025-10-22 cs.RO cs.SY eess.SY
Stein Variational Belief Propagation for Multi-Robot Coordination
University of Michigan（密歇根大学）；NVIDIA Corporation（英伟达公司）；University of Sydney（悉尼大学）
针对多机器人分布式协作的高维规划难题，提出Stein变分置信传播算法，通过图模型推理实现协作，在感知与规划任务中性能优于基线方法，且死锁概率更低。
2024-03-12 cs.RO
Safe and Stabilizing Distributed Multi-Path Cellular Flows
Coordinated Science Laboratory, University of Illinois at Urbana-Champaign,Urbana, IL 61801, USA（协调科学实验室，伊利诺伊大学厄巴纳-香槟分校）
针对分区平面中的分布式交通控制问题，提出一种保证实体间最小安全距离并能在单目标下自稳定、多目标下避免死锁的协议，通过临时阻塞和局部地理路由实现安全与进展。
2012-10-11 cs.DC cs.MA cs.RO
A Scalable Multi-Robot Framework for Decentralized and Asynchronous Perception-Action-Communication Loops
University of Pennsylvania（宾夕法尼亚大学）
针对大型环境中机器人群体协作因感知和通信能力有限面临的挑战，提出一种基于去中心化异步感知-行动-通信循环的可扩展框架，利用聚合GNNs实现高效协作覆盖，提升实际应用适应性。
2026-09-24 cs.AI cs.RO
Online Planning for Multi-UAV Pursuit-Evasion in Unknown Environments Using Deep Reinforcement Learning
Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
本文提出一种基于深度强化学习的多无人机追逃在线规划方法，通过逃逸者预测网络和自适应环境生成器提升策略泛化，在仿真和真实四旋翼上实现零样本部署，捕获率达100%。
2025-07-08 cs.LG cs.RO
Integrated Multi-Drone Task Allocation, Sequencing, and Optimal Trajectory Generation in Obstacle-Rich 3D Environments
Aerospace Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（科贾埃利大学航空与航天学院航空航天工程系）；Interdisciplinary Research Center for Aviation and Space Exploration, KFUPM（法赫德国王石油矿产大学航空与空间探索跨学科研究中心）；Mechanical Engineering Department, Faculty of Aeronautics and Astronautics, Kocaeli University（科贾埃利大学航空与航天学院机械工程系）
本文提出IMD-TAPP框架，通过结合离散任务规划和连续轨迹合成，解决多无人机在障碍密集环境中的任务分配、序列规划和安全轨迹生成问题，实现动态可行且无碰撞的高效路径。
2026-03-26 cs.AI cs.MA cs.RO
