Aucamp: An Underwater Camera-Based Multi-Robot Platform with Low-Cost, Distributed, and Robust Localization
Shanghai Jiao Tong University（上海交通大学）
本研究提出名为Aucamp的水下多机器人平台，采用低成本单目相机感知、分布式定位协议与鲁棒姿态控制，经实验验证性能优异，可为海洋探索提供支持。
2025-06-11 cs.RO cs.SY eess.SY
Spatially temporally distributed informative path planning for multi-robot systems
Texas A&M University–Corpus Christi（德州农工大学科珀斯克里斯蒂分校）；Northern Arizona University（北亚利桑那大学）；Federation University Australia（澳大利亚联邦大学）；University of Nevada, Reno（内华达大学雷诺分校）
本文研究移动机器人传感器网络在时空分布式建图中的信息路径规划问题，提出基于局部成本函数的多步预测优化策略，并利用 dual decomposition 方法实现分布式求解，经真实数据集验证能有效获取最大信息增益并保持连通性。
2024-03-25 cs.RO cs.SY eess.SY
Distributed motion coordination for multi-robot systems under LTL specifications
School of Electrical Engineering and Computer Science, KTH Royal Institute of Technology（瑞典皇家理工学院电气与计算机科学学院）
本文研究了一组移动机器人在共享工作空间中的在线运动协调问题，每个机器人都被分配了一个线性时序逻辑规范。基于每个机器人都受到状态和输入约束，只能有本地视图和本地信息的现实假设，提出了一种完全分布式的多机器人运动协调策略。对于每个机器人，运动协调策略由三层组成。离线层预先计算工作空间中每个区域的制动面积、受控过渡系统和所谓的势函数。初始化层输出初始安全满足的轨迹。在线协调层在冲突发生时解决冲突。在线协调层进一步分解为三个步骤。首先，实现了一种冲突检测算法，该算法检测与相邻机器人的冲突。每当冲突被检测到，一个规则的目的是动态分配一个规划顺序，每对相邻的机器人。最后，设计了一种基于采样的机器人局部无碰撞轨迹生成算法，保证了规划的可行性。事实证明，所有机器人的安全性随时都得到保证。通过两个算例验证了所得到的解的有效性和计算易处理性。
2021-03-16 cs.RO cs.SY eess.SY
Scalable Distributed Planning for Multi-Robot, Multi-Target Tracking
NASA Jet Propulsion Laboratory (JPL)（美国国家航空航天局喷气推进实验室）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
在多机器人多目标跟踪中，机器人协调监视在环境中移动的目标群。我们的做法规划这样的情况下，制定一个滚动时域，多机器人传感问题的互信息目标。这类问题一般都是NP难问题。然而，我们的目标是次模块化，使某些贪婪的规划，以保证常数因子次优。然而，这些贪婪的规划者要求机器人按顺序规划他们的行动，一次一个机器人，所以规划时间至少与机器人的数量成正比。对于大型团队来说，解决这些问题变得非常棘手，即使是分布式实现。我们以前的工作提出了一个分布式规划器（RSP），它减少了这个顺序步骤的数量为常数，即使是大量的机器人，通过允许机器人并行计划，而忽略一些其他的决定。虽然该分析是不适用于目标跟踪，我们证明了类似的保证，RSP规划方法的性能保证完全顺序的规划者，采用一种新的约束，利用目标运动的独立性，量化机器人的观察和行动之间的有效冗余。此外，我们提出的分析，明确占实际实施的功能，包括近似的目标和随时规划。仿真结果-可通过开放源代码发布-与测距传感器的目标跟踪表明，我们的规划者一贯的做法的性能顺序规划（在位置不确定性方面），只有2- 8规划步骤和多达96个机器人的顺序步骤的数量减少了24倍的规划。因此，这项工作使得规划多机器人目标跟踪易于处理，在更大的规模比以前，为实际的规划者和一般的跟踪问题。
2021-07-18 cs.RO cs.SY eess.SY
Distributed Cascade Force Control of Soft-Tactile-Based Multi-robot System for Object Transportation
University of Prince Edward Island（爱德华王子岛大学）；Japan Advanced Institute of Science and Technology（北陆先端科学技术大学院大学）；University of Engineering and Technology, Vietnam（越南工程技术大学）；Japan Science and Technology Agency（日本科学技术振兴机构）
本文提出一种分布式级联力控制系统，利用软触觉传感器使多机器人在无通信下协作推动物体至目标，并通过李雅普诺夫理论及实验验证其有效性。
2026-10-06 cs.RO cs.SY eess.SY
Fully distributed and resilient source seeking for robot swarms
University of Granada（格拉纳达大学）；Hunan University（湖南大学）
针对现有机器人群体源搜索算法灵活性与故障恢复能力不足的问题，提出一种完全分布式的源搜索方案，通过局部测量与分布式估计实现无需中央协调的运动控制，经大规模仿真验证有效。
2026-08-18 cs.RO cs.SY eess.SY
Distributed Differentiable Dynamic Game for Multi-robot Coordination
George Mason University（乔治梅森大学）；Arizona State University（亚利桑那州立大学）
本文提出分布式可微动态博弈（D3G）框架，通过分布式打靶法Nash求解器和微分庞特里亚金最大值原理求解器，高效解决多机器人协调的正向与逆向问题。
2024-09-23 cs.LG cs.MA cs.RO
Distributed Linear Quadratic Gaussian for Multi-Robot Coordination with Localization Uncertainty
Toronto Metropolitan University（多伦多都会大学）；University of Alberta（阿尔伯塔大学）
本文针对存在定位不确定性的多机器人系统，提出一种分布式随机LQG控制策略，在优化性能的同时确保协调，并证明了系统稳定性，经Robotrium仿真验证了其鲁棒性与实际适用性。
2025-03-26 cs.MA cs.RO cs.SY
A Prototyping Framework for Distributed Control of Multi-Robot Systems
Department of Engineering Science, University of Oxford, UK（牛津大学工程科学系）
本文提出一个原型框架，用于多机器人系统分布式控制，通过SPMD范式在单台计算机上模拟分布式控制，验证分布式优化算法的理论与实践。
2026-05-14 cs.MA cs.RO cs.SY
A Survey of Distributed Optimization Methods for Multi-Robot Systems
Stanford University（斯坦福大学）
分布式优化由多个计算节点共同工作，通过局部计算迭代和网络约束的通信步骤来最小化公共目标函数组成。在机器人技术的背景下，分布式优化算法可以使多个机器人系统在没有集中协调的情况下完成任务。我们提出了一个通用的框架，应用分布式优化作为一个模块，在机器人管道。我们调查了几类分布式优化算法，并评估其实际适用于多机器人应用。我们进一步比较了三种典型多机器人问题场景的模拟中不同类型算法的性能。一致性交替方向乘子法（C-ADMM）是一种多机器人系统分布式优化方法。
2021-03-23 cs.RO
Message Expiration-Based Distributed Multi-Robot Task Management
University of Georgia（佐治亚大学）
多代理的分布式任务分配提出了基本的和新的控制理论和机器人问题。一个新的挑战是分布式算法的发展，动态分配任务到多个代理，不依赖于事先分配信息。提出了一种基于消息验证的分布式多机器人任务管理方法。我们的方法通过使用基于距离和基于时间戳的测量值来验证每个机器人的任务分配，从而处理分布式多机器人系统中断开连接所引起的冲突。在Robotarium仿真平台上的仿真实验验证了该方法的有效性。
2022-01-08 cs.RO
Long-Lived Distributed Relative Localization of Robot Swarms
Harvard University（哈佛大学）
本文研究了多机器人系统中的移动机器人对环境中邻近机器人的相对位置和相对方位的估计问题。这个问题是在大群的简单的机器人，能够测量的距离附近的机器人的背景下进行研究。我们提出了两种分布式定位算法，它们的计算复杂性和它们的协调要求之间有不同的权衡。第一种算法不需要机器人协调它们的运动。它依赖于一个非线性最小二乘法为基础的策略，让机器人计算附近的机器人的相对姿态。第二种算法借用了分布式计算理论的工具来协调哪些机器人必须保持静止，哪些机器人可以移动。这种协调允许机器人使用标准的三边测量技术来计算附近机器人的相对姿态。对这两种算法进行了理论分析和仿真验证。
2013-12-06 cs.RO
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
Distributed Nash Equilibrium Seeking Algorithm in Aggregative Games for Heterogeneous Multi-Robot Systems
University of Liverpool（利物浦大学）；The University of Manchester（曼彻斯特大学）；University of Southampton（南安普顿大学）
本文针对异构多机器人系统在聚合博弈中的纳什均衡求解问题，提出一种结合分布式优化与输出控制的算法，并通过仿真和实物实验验证其收敛性与有效性。
2025-09-19 cs.RO
Distributed Optimization Methods for Multi-Robot Systems: Part I -- A Tutorial
Stanford University（斯坦福大学）
本教程为两部分系列的第一部分，旨在推动分布式优化在机器人学中的应用，其证明典型多机器人问题可纳入该框架，介绍三大类算法并通过仿真案例和硬件实现验证其效果。
2024-11-28 cs.MA cs.RO
Velocity Obstacle for Polytopic Collision Avoidance for Distributed Multi-robot Systems
Zhejiang University（浙江大学）
本文扩展速度障碍原理至多面体形状机器人，提出无需优化的VO构建方法及分布式多机器人导航方法，在完成率、死锁率和平均行驶距离等指标上优于现有方法。
2024-06-10 cs.RO cs.SY eess.SY
Scaling Robust Optimization for Multi-Agent Robotic Systems: A Distributed Perspective
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种可扩展的分布式鲁棒优化框架，通过ADMM方法分布计算并处理多机器人系统中的随机与确定性不确定性，实现了兼具计算效率、通信效率和可扩展性的安全多机器人控制。
2025-01-30 cs.RO cs.SY eess.SY
Distributed Optimization Methods for Multi-Robot Systems: Part II -- A Survey
Stanford University（斯坦福大学）
本文作为两部分系列综述的第二部分，聚焦多机器人系统的完全分布式优化算法，综述了分布式一阶、分布式序列凸规划及ADMM三类方法的结构与变体，分析假设的实际意义并指出机器人领域相关开放挑战。
2024-11-28 cs.MA cs.RO
Distributed Circumnavigation Control with Dynamic Spacings for a Heterogeneous Multi-robot System
National University of Defense Technology（国防科技大学）；Department of Automation（自动化系）
环绕导航控制在现实世界的应用中是有用的，例如诱捕敌对目标。在本文中，我们考虑一个异构的多机器人系统，其中机器人有不同的物理属性，如最大运动速度。在目标诱捕等情况下，根据机器人的特性动态间隔（本文称之为效用）将比等间距更可取。提出了一种基于效用函数的分布式环绕控制算法，使任意数量的移动机器人从任意三维位置环绕目标。动态间距受机器人效用的影响。机器人只能获得其相邻两个机器人的角位置和效用，因此控制律是分布式的。理论分析和实验结果证明了所提出的控制算法的稳定性和有效性。
2018-05-16 cs.RO
Distributed Multi-Coverage for Robot Swarms
University of Houston（德克萨斯大学休斯顿分校）
本文提出了一种分布式多覆盖算法，用于解决机器人群在局部感知、局部通信和无全局协调的情况下，维持关键资产可靠覆盖的问题，同时应对机器人故障等约束条件。
2026-05-20 cs.RO
Distributed Spatial Awareness for Robot Swarms
针对仅具备局部感知与通信能力的机器人集群，本文提出利用机器人间的局部观测、高斯置信传播消息传递及集群持续运动，构建全局且分布式的集群中心参考系，以低带宽和低计算开销支持新集群算法，并在仿真中验证了系统并演示了两个示例算法。
2024-11-11 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
Towards Optimized Distributed Multi-Robot Printing: An Algorithmic Approach
SRM Institute of Science and Technology（SRM科学技术学院）；University of Modena and Reggio Emilia（摩德纳-雷焦艾米利亚大学）
本文提出了一种分布式多机器人印刷方法，利用优化方法将印刷任务分解并分配给一组移动机器人。这个问题的动机是通过使用适当的任务分解算法来最小化机器人的打印时间。我们提出了一个这样的算法，将图像分解成光栅化的测地线单元，然后将它们分配给机器人进行打印。此外，我们还提出了一种数控完整机器人的设计，能够在光滑表面上喷涂油墨。此外，我们使用该机器人进行实验验证本文的结果。
2021-03-14 cs.RO
Distributed Obstacle and Multi-Robot Collision Avoidance in Uncertain Environments
University of New South Wales（新南威尔士大学）；Australian National University（澳大利亚国立大学）
针对异构移动机器人在未知环境下的分布式领导-跟随控制问题，提出了一种基于机器人避障、避碰和可靠通信的分布式领导-跟随控制方法。为了防止机器人之间的碰撞，我们采用虚拟的机器人之间的推进力。对于避障，我们提出了一种新的分布式负虚（NI）变量编队跟踪控制方法和动态网络拓扑结构的方法，它允许形成改变其形状和机器人切换他们的角色。在通信或传感器丢失的情况下，由具有良好风阻特性的非负虚（SNI）控制器控制的UAV利用其相机来跟踪UGV编队的位置。仿真和室内实验验证了所提出的方法。
2018-11-15 cs.MA 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
Distributed Data Storage and Fusion for Collective Perception in Resource-Limited Mobile Robot Swarms
Worcester Polytechnic Institute（伍斯特理工学院）
在本文中，我们提出了一种方法的分布式存储和数据融合的集体感知资源有限的机器人群。我们证明了我们的方法在分布式语义分类的情况下。我们考虑一组移动机器人，其中每个机器人运行一个预先训练的已知精度的分类器来注释环境中的对象。我们提供了两个主要的贡献：（一）一个分散的，共享数据结构的有效存储和检索的语义注释，专门为低资源的移动机器人;和（ii）一个基于投票的，分散的算法，以减少方差的计算注释存在不完善的分类。我们讨论的理论和实现的贡献，并进行了广泛的现实模拟实验，以评估我们的方法的性能。
2020-12-15 cs.RO
Distributed Robotic Systems in the Edge-Cloud Continuum with ROS 2: a Review on Novel Architectures and Technology Readiness
University of Turku（图尔库大学）
机器人系统比以往任何时候都更加连接，网络化和分布式。最近出现了符合\textit{de facto}机器人中间件标准ROS\2的新架构，以填补从边缘到云部署的混合系统方面的空白。本文回顾了使容器化机器人应用程序能够在边缘或云中无缝运行的新架构和技术。我们还概述了包括从扩展到ROS\，2工具到Kubernetes和ROS\，2集成的解决方案的系统。另一个重要的趋势是机器人学习，以及新的模拟器和云模拟如何实现，例如，大规模强化学习或分布式联邦学习解决方案。这也使机器人系统开发的持续交互和持续部署（CI/CD）管道能够更深入地集成，超越了标准软件单元测试，通过模拟测试自动构建和验证代码。我们讨论了当前的技术准备情况，并列出了可能出现的新应用场景。最后，我们讨论了分布式机器人系统目前面临的挑战，并列出了该领域的开放研究问题。
2022-11-02 cs.RO
Distributed Optimization with Consensus Constraint for Multi-Robot Semantic Octree Mapping
University of California San Diego（加州大学圣迭戈分校）
本文提出一种带地图一致性约束的分布式优化算法，利用流式观测与单跳通信实现多机器人3-D语义建图，通过基于梯度的对数似然优化和自适应分辨率八叉树结构，高效构建多类地图并显著减少通信量。
2024-02-14 cs.RO
Technical Report: Asynchronous Distributed Trajectory Estimation of Multi-Robot Systems
针对多机器人系统中通信和计算异步的问题，提出异步块坐标下降算法，通过近似最大后验估计减少96.9%通信，证明指数收敛，误差比现有算法低64%。
2026-07-17 cs.RO
Distributed Timed Elastic Band (DTEB) Planner: Trajectory Sharing and Collision Prediction for Multi-Robot Systems
Technische Universität Dortmund（多特蒙德工业大学）
移动机器人的自主导航是机器人学中的一个研究热点。然而，导航任务变得具有挑战性时，多机器人系统必须合作导航动态环境与死锁倾向的布局。我们提出了一个分布式定时弹性带（DTEB）规划，结合优先级规划与在线TEB轨迹规划，以扩展后者的能力，多机器人系统。拟议的规划器能够在复杂环境中导航时，反应性地避免即将发生的碰撞，并预测性地解决机器人团队之间潜在的僵局。我们的模拟结果表明，在不同的环境设置的规划器的可靠性能和通用性。我们的方法的代码和测试可以在线获得。
2023-03-20 cs.RO
BDPGO: Balanced Distributed Pose Graph Optimization Framework for Swarm Robotics
Hong Kong University of Science and Technology（香港科技大学）
分布式位姿图优化是群机器人的基本技术之一。目前，DPGO的子问题都是建立在本机姿势上的。我们的验证证明，这种方法可能会引入一个不平衡的大小的子问题在现实世界的场景中，这会影响DPGO优化的速度，并可能增加通信的要求。此外，当群中的机器人发生故障或部分机器人断开连接时，不能保证估计的位姿的一致性。在本文中，我们提出了BDPGO，一个平衡的分布式位姿图优化框架，采用解耦的机器人位姿和DPGO的思想。BDPGO通过引入两阶段图划分方法来构建平衡子问题，以平衡的方式将位姿图中的位姿重新分配到机器人群中。我们的验证表明，BDPGO显着提高了优化速度，而不改变具体的算法DPGO在现实的数据集。更重要的是，我们还验证了BDPGO是鲁棒的机器人故障，在无线网络的变化。BDPGO能够在这些情况下保持估计姿态的一致性。该框架也有可能被应用到其他的协同同时定位与地图构建（CSLAM）的问题，涉及分布式解决的因素图。
2022-09-13 cs.RO
Safe Distributed Control of Multi-Robot Systems with Communication Delays
Delft Center for Systems and Control (DCSC), Delft University of Technology（代尔夫特系统与控制中心（DCSC），代尔夫特理工大学）；Laboratory for Information and Decision Systems (LIDS), Massachusetts Institute of Technology（信息与决策系统实验室（LIDS），麻省理工学院）
针对通信延迟下多机器人系统的安全运行问题，提出分布式控制屏障函数概念与基于预测器的训练框架，通过图神经网络学习安全控制器，显著提升了延迟环境下的避障安全性。
2025-05-20 cs.RO
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
Information correlated Levy walk exploration and distributed mapping using a swarm of robots
University of Southern California（南加州大学）；Arizona State University（亚利桑那州立大学）
在这项工作中，我们提出了一种新的分布式方法，用于构建一个未知环境的占用网格地图，使用一群具有全局定位能力和有限的机器人间通信的机器人。机器人探索域通过执行Levy步行，其中它们的标题是通过最大化机器人的估计其环境的占用网格地图的形式和距离测量，它很可能获得当它在该方向上移动时，最大化之间的互信息来定义的。每个机器人都配备了激光测距传感器，它通过反复将自己的距离测量与相邻机器人广播的地图信息相结合来构建其占用网格地图。使用结果的平均共识随时间变化的图形拓扑结构，我们证明了所有的机器人的地图将最终收敛到实际的地图的环境。此外，我们证明了一种基于拓扑数据分析的技术，在我们以前的工作中开发的拓扑地图，可以很容易地扩展为自适应阈值的占用网格地图。我们通过一系列的二维仿真和多机器人实验验证了我们的分布式探索和映射策略的有效性。
2020-06-18 cs.RO
Distributed Simultaneous Action and Target Assignment for Multi-Robot Multi-Target Tracking
Virginia Tech（弗吉尼亚理工大学）；Aalto University（阿尔托大学）
研究了多机器人多目标跟踪分配问题。所提出的问题可以看作是混合包装和覆盖问题。为了解决传感和通信范围的限制，考虑了分布式方法。局部算法给出了理论上的运行时间和逼近比的最优解。我们采用局部算法的最大最小线性规划来解决所提出的任务。仿真结果表明，局部算法是解决多机器人任务分配问题的有效方法。
2018-11-06 cs.RO
Multi-Robot Target Monitoring and Encirclement via Triggered Distributed Feedback Optimization
University of Bologna（博洛尼亚大学）
本文提出一种嵌入ROS 2的触发式分布式反馈优化策略，使异构多机器人仅靠局部测量和异步通信即可协同监测包围目标并巡逻兴趣点，并通过仿真与实物实验验证其有效性。
2024-09-30 cs.RO
Distributed Control of Multi-Robot Systems in the Presence of Deception and Denial of Service Attacks
Purdue University（普渡大学）
本研究提出了一种分布式切换控制，以确保多机器人系统在网络攻击的存在。两种主要类型的网络攻击被认为是：欺骗攻击和拒绝服务（DoS）攻击，这损害了资源的完整性和可用性，分别。首先，基于残差的攻击检测方案被引入到识别攻击的类型。然后，切换控制的设计，以中和所识别的攻击的影响，满足机器人之间的状态共识所需的性能保证。对于欺骗攻击的类型，无协调共识协议被设计成以未妥协的机器人比妥协的机器人获得更多权重的方式来调整每个机器人的权重。对于类型的拒绝服务攻击，领导者-追随者协议，重新配置的通信拓扑结构被用来转换受损的机器人到子机器人以下的领导者。在Robotarium多机器人试验台上对所提出的方法的性能进行了评估。一个完整的演示与广泛的情况下，可在https://youtu.be/eSj0XS2pdxI。
2021-01-29 cs.RO math.OC
Distributed State Estimation Using Intermittently Connected Robot Networks
Duke University（杜克大学）
研究了多机器人系统的分布式状态估计问题。机器人的通信能力有限，因此，只有当它们在物理上彼此接近时，才间歇地传送它们的测量结果。为了减少机器人只需要进行通信的距离，我们将它们分成小团队，这些小团队可以在不同的位置进行通信，以共享信息并更新它们的信念。然后，我们提出了一个新的分布式方案，结合（i）通信时间表，确保网络是间歇性连接，和（ii）采样为基础的运动规划的机器人在每个团队的目标，以收集最佳的测量和决定这些机器人的位置进行通信。据我们所知，这是第一个分布式的状态估计框架，放松所有的网络连接的假设，并控制间歇性的通信事件，使估计的不确定性最小化。我们目前的模拟结果表明，显着提高估计精度相比，保持一个端到端的连接网络的所有时间的方法。
2018-09-19 cs.IT cs.RO math.IT
A Parallel Distributed Strategy for Arraying a Scattered Robot Swarm
TU Braunschweig（布伦瑞克工业大学）；Rice University（莱斯大学）
我们考虑在二维空间中组织一组分散的$n$机器人的问题，机器人之间具有几何最大距离$D$。群的通信图是连接的，但没有中央权威机构来组织它。我们希望将它们排列成具有最低和最高标签的机器人之间的有序和等间距阵列，同时保持连接的通信网络。在本文中，我们描述了一种分布式的方法来实现这些目标，而不使用中央控制，同时也保持时间，行程距离和通信成本最小。我们进行了许多阶段（领导选举，初始路径构建，子树收缩，几何拉直和分布式排序），其中没有一个需要一个中央权威，但仍然实现了最好的并行化。整体排列以$O(n)$时间、$O(n^2)$单个消息和$O(nD)$行进距离执行。分类和导航的实现使用固定大小的通信消息，并且是大量低成本机器人的实用解决方案。
2015-05-12 cs.RO
Distributed Camouflage for Swarm Robotics and Smart Materials
University of Colorado, Boulder（科罗拉多大学博尔德分校）
我们提出了一个分布式算法的一群活跃的粒子伪装在一个环境中。每个粒子都配备了传感、计算和通信功能，使系统能够从环境中获取颜色和梯度信息，并自组织成适当的模式。目前的人工伪装系统要么局限于静态图案，这是适应特定的环境，或依赖于背投影，这取决于观众的观点。受乌贼伪装能力的启发，我们提出了一种分布式估计和模式形成算法，可以快速适应不同的环境。我们目前的收敛结果在模拟以及一群微型机器人“水滴”的各种模式。
2017-09-20 cs.RO
Connectivity Maintenance for Multi-Robot Systems Under Motion and Sensing Uncertainties Using Distributed ADMM-based Trajectory Planning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
机器人之间的通信使多机器人系统能够有效地协调和执行复杂的任务。因此，对于许多多机器人系统来说，保持机器人之间的通信网络的连通性是必不可少的。在本文中，我们提出了一个多机器人系统的连通性维护的轨迹规划。我们首先定义一个加权无向图来表示系统的连通性。与以前的连通性维护工作，我们明确占机器人运动和传感器的不确定性，同时制定的图形边缘权重。这些不确定性导致不确定的机器人位置，直接影响系统的连通性。接下来，使用基于分布式交替方向乘数法（ADMM）框架的轨迹规划器将加权无向图的代数连通性维持在指定的下限以上。在这里，我们推导出ADMM优化步骤中所需的Hessian矩阵的近似值，以减少计算负载。最后，仿真结果表明，我们的轨迹规划器的连通性维护统计验证。
2021-12-16 cs.RO
The Pluggable Distributed Resource Allocator (PDRA): a Middleware for Distributed Computing in Mobile Robotic Networks
Jet Propulsion Laboratory（喷气推进实验室）；California Institute of Technology（加州理工学院）
我们提出了可插拔分布式资源分配器（PDRA），异构移动机器人网络中的分布式计算的中间件。PDRA使自主机器人代理能够共享计算资源，用于计算昂贵的任务，如定位和路径规划。它位于现有的单代理计划器/执行器和现有的计算资源（例如ROS包）之间，拦截执行器的请求，如果需要，透明地将它们路由到其他机器人执行。PDRA是可插拔的：它可以集成到现有的单机器人自治堆栈中，只需进行最小的修改。任务分配决策由混合整数规划算法执行，以共享世界的方式解决，该算法对CPU资源，延迟要求和多跳，周期性，带宽有限的网络通信进行建模;该算法可以最大限度地减少整体能源使用或最大限度地提高完成可选任务的奖励。仿真结果表明，PDRA可以减少能源和CPU的使用率超过50%，在代表性的多机器人场景相比，一个天真的调度器;运行在嵌入式平台上;并表现良好的延迟和中断容忍网络（DTNs）。PDRA在开源许可证下向社区提供。
2020-10-26 cs.MA cs.RO
Technical Report: Distributed Sampling-based Planning for Non-Myopic Active Information Gathering
University of Pennsylvania（宾夕法尼亚大学）
研究了多机器人系统的主动信息采集问题。具体来说，我们考虑的情况下，机器人的任务是减少不确定性的动态隐藏状态在复杂的环境中发展。大多数现有的信息收集方法是集中式的，因此，它们不能应用于分布式机器人团队，其中与中央用户的通信不可用。为了解决这一挑战，我们提出了一种新的分布式采样为基础的规划算法，可以显着提高机器人和目标的可扩展性，同时降低计算成本。在我们的非近视方法中，所有机器人都并行地构建局部树，探索信息空间及其相应的运动空间。当机器人构建各自的局部树时，它们与邻居进行通信，通过分布式卡尔曼滤波器交换和聚合关于隐藏状态的局部信念。我们证明了所提出的算法是概率完全的和渐近最优的。我们提供了大量的模拟结果，证明了所提出的算法的可扩展性，它可以解决大规模的，多机器人的信息收集任务，这是计算上具有挑战性的集中式方法。
2021-07-23 cs.RO
DiNNO: Distributed Neural Network Optimization for Multi-Robot Collaborative Learning
Stanford University（斯坦福大学）
我们提出了一种分布式算法，使一组机器人协作优化的参数，同时通过网状网络进行通信的深度神经网络模型。每个机器人只能访问自己的数据，并维护自己版本的神经网络，但最终学习的模型就像是在所有数据上集中训练的一样好。没有机器人通过无线网络发送原始数据，保护数据隐私并确保无线带宽的有效使用。在每次迭代中，每个机器人近似地优化一个增广拉格朗日函数，然后将得到的权重传递给它的邻居，更新对偶变量，然后重复。最终，所有机器人的局部网络权重达成共识。对于凸目标函数，我们证明了这种共识是一个全局最优。我们将我们的算法与两种现有的分布式深度神经网络训练算法进行了比较：（i）MNIST图像分类任务，（ii）多机器人隐式映射任务，以及（iii）多机器人强化学习任务。在我们所有的实验中，我们的方法都超过了基线，并且能够实现与集中训练模型相当的验证损失。请参阅\href{https://msl.stanford.edu/projects/dist_nn_train}{https://msl.stanford.edu/projects/dist\_nn\_train}获取视频和GitHub存储库的链接。
2021-09-17 cs.RO
A Distributed Multi-Robot Framework for Exploration, Information Acquisition and Consensus
Imperial College London（伦敦帝国理工学院）
针对多机器人复杂任务分布式协调中各层面割裂求解的问题，提出将探索、信息获取等全任务建模为多层连接的单因子图，采用支持并行/异步计算的高斯置信传播推理，首次验证分布式GBP可实现多机器人智能协作而非个体自私行为。
2023-10-03 cs.RO
A generic approach for reactive stateful mitigation of application failures in distributed robotics systems deployed with Kubernetes
Intel Labs（英特尔实验室）
本文提出一种基于行为树的通用方法，用于Kubernetes部署的分布式机器人系统的有状态反应式故障缓解，并在AMR导航和模拟操作中验证了其有效性和应用无关性。
2024-11-04 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
Distributed Invariant Kalman Filter for Object-level Multi-robot Pose SLAM
School of Data Science, The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）数据科学学院）；System Hub, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）系统枢纽）
针对多机器人协作定位与跟踪需求，提出基于协方差交集的分布式不变卡尔曼滤波器，结合目标级测量降通信、李群建模保一致性，经实验验证兼具实用性与优越性。
2024-09-14 cs.RO
Distributed Allocation and Scheduling of Tasks with Cross-Schedule Dependencies for Heterogeneous Multi-Robot Teams
University of Zagreb（萨格勒布大学）；Universidad de Sevilla（塞维利亚大学）
为了在日常生活中安全有效地使用多机器人系统，必须开发一种鲁棒且快速的方法来协调它们的动作。在本文中，我们提出了一个分布式任务分配和调度算法的任务中，不同的机器人的任务是紧耦合的时间和优先约束。该方法是基于代表的车辆路径问题的一个变种的问题，并使用分布式元启发式算法的基础上演化计算（CBM-POP）的解决方案。这种方法允许快速和接近最优的分配，因此可以用于在任务变化的情况下进行在线重新规划。仿真结果表明，该方法具有更好的计算速度和可扩展性，而不会损失最优性相比，最先进的分布式方法。规划过程的实际使用情况下，由多机器人系统温室维护的应用。
2021-09-07 cs.AI cs.RO
Distributed Resilient Submodular Action Selection in Adversarial Environments
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院与州立大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Maryland（马里兰大学）
在这封信中，我们考虑一个分布式子模块最大化问题的多机器人系统时，受到对手的攻击。多机器人系统面临的主要挑战之一是增加对故障或攻击的弹性。这对于受到攻击的分布式系统尤其重要，因为没有中央指挥点可以检测、减轻攻击并从攻击中恢复。相反，分布式多机器人系统必须有效地协调以克服对抗攻击。在这项工作中，我们的分布式子模块动作选择问题模型的情况下，每个机器人在一个多机器人系统有多个动作选择，可以满足一个全球性的目标，如探索或目标跟踪广泛的集合。为了在这种情况下增加弹性，我们提出了一个完全分布式的算法来指导每个机器人的动作选择时，系统受到攻击。所提出的算法保证在最坏情况下的性能，其中多达一部分的机器人故障，由于攻击。重要的是，所提出的算法也是一致的，因为它被证明是收敛到相同的解决方案作为一个集中式的方法。最后，一个分布式弹性多机器人探索问题，以确认所提出的算法的性能。
2021-05-15 cs.DS cs.GT cs.MA
Distributed Multi-robot Online Sampling with Budget Constraints
University of California, Merced（加州大学默塞德分校）；Plaksha University（普拉卡莎大学）
本文提出一种基于MCTS的在线分布式多机器人采样算法，在预算约束下通过机器人间通信迭代选择采样位置，实验证明在预算紧张时能实现更小的重建误差。
2024-07-26 cs.RO
Multi-Robot Distributed Optimization for Exploration and Mapping of Unknown Environments using Bioinspired Tactile-Sensor
Department of Mechanical Engineering University of California at Berkeley Berkeley, CA, US（机械工程系 加州大学伯克利分校 伯克利加州）
提出一种基于分布式优化和仿生触觉传感器的多机器人系统，通过记录碰撞点实现未知环境的高效探索与二维地图构建，实验验证了高覆盖率和低碰撞。
2025-10-07 cs.RO
DGORL: Distributed Graph Optimization based Relative Localization of Multi-Robot Systems
University of Georgia（佐治亚大学）
优化问题是许多机器人估计、规划和最优控制问题的核心。在基于模型的多机器人定位方面已经进行了几次尝试，很少有人将多机器人协作定位问题制定为因子图问题，通过图优化来解决。这里，优化目标是以分布式方式最小化估计相对位置估计的误差。我们的新的图论方法来解决这个问题包括三个主要组成部分;（连接）图形的形成，通过过渡模型的扩展，和相对姿态的优化。首先，我们使用连接的机器人之间的接收信号强度来估计相对姿态连接图，指示它们之间的相对范围。然后，我们应用一个运动模型来制定图形扩展和优化它们使用g $^2$ o图形优化作为一个分布式求解器在动态网络。最后，我们从理论上分析了该算法，并通过大量的模拟数值验证其最优性和性能。结果表明，所提出的解决方案的实用性相比，一个国家的最先进的算法在多机器人系统的协作定位。
2022-10-04 cs.MA cs.RO
Partition-Tolerant and Byzantine-Tolerant Decision-Making for Distributed Robotic Systems with IOTA and ROS 2
University of Turku（图尔库大学）
随着自主机器人解决方案的日益普及，对它们的连接性和多机器人系统内的协作的兴趣正在上升。目前研究的两个方面是机器人安全和安全的多机器人协作强大的拜占庭代理。区块链和其他分布式账本技术（DLT）已经被提出来解决这两个领域的挑战。尽管如此，一些关键挑战包括可扩展性和在现实世界网络中的部署。本文提出了一种集成IOTA和ROS 2的方法，用于更可扩展的基于DLT的机器人系统，同时允许部署后的网络分区容差。据我们所知，这是IOTA智能合约在机器人系统中的首次实现，也是第一个与ROS 2集成的设计。这与依赖以太坊的绝大多数文献相比。我们提出了一个通用的IOTA+ROS 2架构，导致分区容忍的决策过程，也继承了嵌入式区块链结构的拜占庭容忍属性。我们证明了所提出的框架的有效性与间歇性网络连接的系统中的合作映射应用程序。我们在存在网络分区的情况下表现出了相对于以太坊的卓越性能，并且在计算资源利用率方面的影响较低。这些结果为区块链解决方案在分布式机器人系统中的更广泛集成开辟了道路，其连接和计算要求不那么严格。
2022-08-29 cs.RO
