Coverage Sampling Planner for UAV-enabled Environmental Exploration and Field Mapping
University of British Columbia(不列颠哥伦比亚大学);The Chinese University of Hong Kong(香港中文大学)
无人机(UAV)已经通过利用其移动传感、自主导航和远程操作的能力而被实施用于环境监测。然而,在现实世界的应用中,机载资源的限制(例如,无人机的供电能力将限制监测区域的覆盖范围和采集样本的数量,这将阻碍野外估计和制图的性能。因此,资源受限的问题需要一个有效的采样规划调度无人机为基础的环境监测传感任务。本文提出了一种覆盖采样和路径规划的无人机使移动传感器的任务规划器,以有效地探索和映射的未知环境,建模为一个随机场。所提出的规划器可以产生一个最佳的覆盖密度的探索性采样的覆盖路径,和相关的能源成本受到电源约束。所开发的框架的性能进行评估,并与现有的国家的最先进的算法相比,使用从环境监测计划以及物理现场实验收集的真实世界的数据集。实验结果表明,所提出的覆盖抽样规划的可靠性和准确性在事先调查的环境勘探和实地制图。
2019-07-12 cs.RO
Optimal online and offline algorithms for robot-assisted restoration of barrier coverage
Université du Québec en Outaouais(魁北克大学乌塔韦分校);Carleton University(卡尔顿大学);Wesleyan University(卫斯理安大学);Concordia University(康考迪亚大学)
移动机器人与无线传感器网络之间的合作是目前吸引了大量关注的研究方向。在这种情况下,我们研究了以下问题的障碍覆盖由固定的无线传感器,由移动机器人移动传感器的能力的协助。假设$n$传感器最初任意分布在线段障碍上。每个传感器被称为覆盖屏障的与其感测区域相交的部分。由于初始位置不正确,或某些传感器失效,传感器未完全覆盖屏障。我们采用了移动机器人移动传感器的障碍上的最终位置,这样的障碍覆盖率得到保证。我们寻求的算法,最大限度地减少机器人的轨迹的长度,因为这允许尽快恢复的障碍覆盖。我们给出了一个最佳的线性时间离线算法,给出了一个最小长度的轨迹的机器人,开始在一端的障碍,并实现恢复的障碍覆盖。我们还研究了两种不同的在线模型:一种是在线机器人事先不知道障碍物的长度,另一种是在线机器人知道障碍物的长度。对于在线机器人不知道障碍长度的情况,证明了$3/2$关于竞争比的一个紧界,并给出了另一种情况下$5/4$关于竞争比的一个紧下界.因此,对于每种情况下,我们给出了一个最优的在线算法。
2014-10-24 cs.DS cs.RO
Optimal Allocation of Many Robot Guards for Sweep-Line Coverage
Rutgers, the State University of New Jersey(罗格斯大学,新泽西州立大学)
我们研究了在已知的二维环境中分配多个移动机器人执行预定义的扫描计划的问题,应用于搜索和救援,覆盖,监视,监控,追捕逃避,等等。移动机器人(或代理)被假定为具有一维的感知能力,随着感知距离的增加,概率保证恶化。在解决这样的任务,机器人的时间参数化分布沿扫描边界必须计算,与目标,以尽量减少用于实现一些所需的覆盖质量保证的机器人的数量,或最大限度地提高概率保证给定数量的机器人。我们提出了一个基于最大流的算法来解决分配任务,它建立在工作空间的分解技术作为一个推广的著名的boustrophedon分解。我们提出的算法有一个非常低的多项式运行时间,并在两秒内完成多边形环境超过$10^5$顶点。仿真实验进行了随机生成的障碍物的不同形状,大小和空间分布的三个现实的用例,这证明了我们所提出的方法的适用性和可扩展性。
2023-02-10 cs.RO
A Next-Best-Smell Approach for Remote Gas Detection with a Mobile Robot
Politecnico di Milano(米兰理工大学);Plymouth University(普利茅斯大学);Örebro Universitet(厄勒布鲁大学)
气体检测的问题与许多实际应用有关,例如工业环境中的泄漏检测和垃圾填埋场监测。使用移动机器人进行气体检测有几个优点,可以减少对人类的危险。在我们的工作中,我们解决的问题,规划的移动机器人平台的路径配备了远程气体传感器,最大限度地减少时间来检测所有气体源在给定的环境中。我们铸造这个问题作为一个覆盖规划问题,通过定义一个基本的传感操作-扫描与远程气体传感器-作为传感器的“视野”的领域。考虑到以前提出的离线方法所需的计算工作量,在本文中,我们提出了一个在线覆盖算法,称为下一个最好的视图,适应于下一个最好的视图类的探索算法。我们的算法评估候选位置的全局效用函数,它结合了实用价值的旅行距离,信息增益,和感测时间,使用多标准决策。在我们的实验中,在模拟和真实的机器人进行,我们发现的性能下一个最好的方法是与最先进的离线算法,在低得多的计算成本。
2018-01-21 cs.RO
Weighted Combinatorial Laplacian and its Application to Coverage Repair in Sensor Networks
Lehigh University(利哈伊大学)
该研究定义了单纯复形上的加权组合拉普拉斯算子,通过其近零特征值检测近似n维空洞,结合梯度下降优化实现移动机器人传感器网络的动态覆盖修复,并借助相对同调理论将该方法拓展至有障碍物的环境。
2024-04-14 cs.RO math.AT
Distributed Navigation of Multi-Robot Systems For Sensing Coverage
School of Electrical Engineering and Telecommunications, The University of New South Wales(新南威尔士大学电气工程与电信学院)
本研究探讨分散控制的移动机器人覆盖问题。针对覆盖控制问题,存在与分散控制策略相关的不同方法。我们对这些方法进行了比较,并使用基于简单的局部协调规则的方法。我们调查这个广泛使用的最近邻规则为基础的方法开发覆盖控制算法。在这种方法中,一个移动机器人给予同等的重要性,每个邻居机器人在其通信范围内。我们通过使一些移动机器人比团队中的其他成员发挥更有影响力的作用来开发我们的控制方法。基于这种控制策略的方法变得有效的控制输入,说航向角,速度等达成共识的分散控制的移动机器人也可以表现出一些物理约束下的循环行为,如量化的方向的移动机器人。我们进一步研究循环行为出现由于移动机器人的量化控制在一定条件下。我们最近的邻居规则为基础的方法提供了一个有偏见的策略,循环行为的情况下出现在移动机器人的团队。我们认为一个集群技术的移动机器人团队内部。我们的分散控制策略计算移动机器人的邻居之间的相似性度量。移动机器人团队的相似性度量为基础的方法变得有效,在实现快速的共识,如航向角或速度。我们对我们开发的方法进行了严格的数学分析。我们还开发了一个条件的基础上放松的标准达成共识的速度或航向角的移动机器人。我们的验证方法是基于数学论证和广泛的计算机模拟。
2016-09-29 cs.RO
Adaptive Algorithms for Coverage Control and Space Partitioning in Mobile Robotic Networks
École Polytechnique de Montréal(蒙特利尔综合理工学院);University of Pennsylvania(宾夕法尼亚大学)
本文考虑的部署问题,移动机器人网络必须优化其配置在一个分布式的方式,以最小化的稳态费用函数,取决于空间分布的某些概率事件的利益。此外,假设事件位置分布是先验未知的,并且只能从实际事件发生的观察中逐步推断。详细讨论了三类问题:覆盖控制问题,空间划分问题和动态车辆路径问题。在每种情况下,分布式随机梯度算法优化性能目标。随机梯度视图简化和推广以前提出的解决方案,并适用于新的复杂的情况下,如自适应覆盖涉及异构代理。值得注意的是,这些算法通常采用简单的分布式规则的形式,可以在资源有限的平台上实现。
2012-08-17 cs.RO math.OC
Embodied AI in Mobile Robots: Coverage Path Planning with Large Language Models
The University of Western Australia(西澳大利亚大学)
本文提出一种结合大语言模型与低层执行器的多层具身路径规划框架,并设计覆盖加权指标评估性能,实验表明其能提升LLMs空间推理能力,其中claude-3.5表现最优。
2024-07-04 cs.AI cs.RO
Deployment of mobile routers ensuring coverage and connectivity
Heinz Nixdorf Institute, University of Paderborn(帕德博恩大学海因茨·尼克斯多夫研究所);University of Paderborn(帕德博恩大学)
保持一组自主智能体探索一个区域之间的连接是非常重要的,因为它促进了智能体之间的合作,也有助于信息交换,这是非常关键的任务。使用简单的机器人路由器创建底层Ad-hoc移动路由器网络(AMRoNet)是一种促进代理之间通信而不限制其移动的方法。我们解决以下问题在我们的论文:如何创建一个AMRoNet与本地信息和最少数量的路由器?我们提出了两个新的本地化和分布式算法1)代理辅助路由器部署和2)创建AMRoNet的自扩展。该算法使用贪婪部署策略有效地部署路由器的区域最大化的覆盖范围和三角形部署策略连接不同的连接组件的路由器从不同的基站。实证分析表明,所提出的算法是两个最好的本地化方法来创建AMRoNets。
2012-02-08 cs.NI cs.RO
Fast-Revisit Coverage Path Planning for Autonomous Mobile Patrol Robots Using Long-Range Sensor Information
Human-Centered Robotics Lab(以人为本机器人实验室);Ostfalia University of Applied Sciences(奥斯特法利亚应用科学大学)
针对工业场地UGV巡逻的覆盖与快速重访需求,提出FaRe-CPP算法,通过贪婪启发式航点生成和随机搜索路径优化,在Gazebo与TurtleBot3仿真中较现有算法分别将路径长度和重访时间降低至少21%和33%。
2025-07-25 cs.RO
Fast-Spanning Ant Colony Optimisation (FaSACO) for Mobile Robot Coverage Path Planning
Manchester Metropolitan University(曼彻斯特城市大学)
覆盖路径规划(CPP)的目标是找到一条覆盖整个给定空间的最优路径。由于NP难的性质,CPP仍然是一个具有挑战性的问题。生物启发的算法,如蚁群优化(ACO)已被用来解决这个问题,因为他们可以利用启发式信息,以减轻路径规划的复杂性。本文提出了快速生成蚁群优化算法(FaSACO),蚂蚁可以以不同的速度探索环境。通过这种机制,具有较高速度的蚂蚁可以更快地找到目的地或障碍物,并且通过在路径上的信息素踪迹传递这些信息来保持较低速度的蚂蚁被告知。这种机制确保找到(次)最优路径,同时减少总体路径规划时间。实验结果表明,FaSACO是$19.3-32.3\%$更有效的CPU时间方面比ACO,并重新覆盖$6.9-12.5\%$更少的细胞比ACO。这使得FaSACO在实时和能源有限的应用中具有吸引力。
2022-06-20 cs.AI cs.RO
On Mobile Ad Hoc Networks for Coverage of Partially Observable Worlds
McGill University Computer Science Department and MILA Institute(麦吉尔大学计算机科学系和MILA研究所);L2S at the University Paris-Saclay, CentraleSupélec(巴黎萨克雷大学L2S及CentraleSupélec)
本文提出两种算法,用于在部分可观测环境中实现移动代理的覆盖与连通性,通过几何抽象提升通信驱动探索的性能。
2025-12-10 cs.CG cs.MA cs.RO
Coverage First Next Best View for Inspection of Cluttered Pipe Networks Using Mobile Manipulators
Manchester Centre for Robotics and AI, The University of Manchester(曼彻斯特机器人与人工智能中心,曼彻斯特大学);The University of Tokyo(东京大学)
本文提出了一种基于下一步最佳视角的规划方法,用于在受限环境中同时进行探索和利用,通过信息增益重新表述覆盖路径规划问题,实现了对管道网络的自主覆盖检查。
2026-03-17 cs.RO
General Optimization Framework for Recurrent Reachability Objectives
Masaryk University(马萨里克大学)
本文研究了一类循环可达性目标下的移动机器人路径规划问题。这些目标通过从一个位置访问另一个位置所需的预期时间、该时间的预期平方以及两个相邻位置之间的移动频率来参数化。我们设计了一个有效的策略合成算法,经常性的可达性目标,并证明其功能的非平凡的情况下。
2022-05-27 cs.GT cs.RO
CoCo Games: Graphical Game-Theoretic Swarm Control for Communication-Aware Coverage
Stanford University(斯坦福大学)
我们提出了一个新的框架,实时通信感知覆盖控制网络机器人群。我们的框架统一了机器人动力学与网络级的消息路由,以达成共识的群体形成在通信的不确定性,通过利用本地信息。具体来说,我们制定的通信感知覆盖作为一个合作的图形游戏,并使用变分推理达到混合策略纳什均衡的阶段游戏。我们实验验证所提出的方法在移动自组织无线网络的情况下,使用团队的飞行器和地面用户设备(UE)在一个大的地理区域的利益。我们表明,我们的方法可以提供无线覆盖到固定和移动UE在现实的网络条件下。
2022-04-28 cs.AI cs.RO cs.SY
Toward Precise Robotic Weed Flaming Using a Mobile Manipulator with a Flamethrower
Texas A&M University(德克萨斯农工大学);Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学);Boston Dynamics(波士顿动力公司)
本文提出一种基于移动机械臂和火焰喷射器的精准除草系统,通过红外相机与喷嘴姿态构建动态火焰覆盖模型,实现实时预测并达到超过76%的mAP。
2024-07-06 cs.RO
Base Placement Optimization for Coverage Mobile Manipulation Tasks
Institute of CVTE Research(视源股份研究院);South China University of Technology(华南理工大学)
本文提出一种基于类鳞片圆盘工作空间表示与可达性地图的基座放置优化方法,将覆盖、可操作性和时间成本建模为多目标优化问题并用进化方法求解,在真实马桶清洁任务中显著提升了覆盖率与效率。
2023-04-17 cs.AI cs.RO
Communication-Free Distributed Coverage for Networked Systems
Massachusetts Institute of Technology(麻省理工学院);Georgia Institute of Technology(佐治亚理工学院);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
本文提出一种无通信算法,用于由多个具有本地感知能力的移动代理对任意网络进行分布式覆盖。通过游戏理论框架,代理利用感官输入优化位置,以最大化覆盖范围。
2015-05-23 cs.GT cs.MA cs.RO
Decentralized Control of Three-Dimensional Mobile Robotic Sensor Networks
移动机器人传感器网络的分散控制是机器人学中的一个基本问题,近几十年来吸引了大量的研究。大多数现有的作品处理二维空间。这份报告关注的是在三维环境中的移动机器人传感器网络的分散自部署的问题。报告的第一部分研究了三维空间中完整的传感覆盖问题。我们提出了一个分散的随机算法来驱动移动机器人传感器的顶点上的一个截断的八面体网格完整的传感覆盖的有界的3D区域。在第二部分中,我们提出了一个分布式随机搜索算法在有界三维环境。第三,我们研究了由移动机器人传感器网络在有界三维空间中定位静态和移动目标的问题。我们介绍了一种新的分散式生物启发的随机搜索算法,用于在3D区域中找到静态和移动对象。该算法将Levy飞行随机搜索机制与三维覆盖网格相结合。本文研究了移动机器人传感器网络在三维空间中的三维编队构建问题。提出了一种基于分散共识的多机器人系统的控制律,该控制律能使多机器人在三维环境中从任意初始位置形成给定的几何构形。移动机器人传感器的收敛到给定的配置所示的广泛的模拟。此外,数学上严格的证明所提出的算法收敛到给定的配置。
2016-06-01 cs.RO math.OC
On Endogenous Reconfiguration in Mobile Robotic Networks
Massachusetts Institute of Technology(麻省理工学院)
在本文中,我们的重点是移动机器人网络的某些应用程序,重新配置是由网络固有的因素,而不是外部环境的变化。特别是,我们研究了一个版本的覆盖问题有用的监控应用程序,其目标是定位机器人,以尽量减少平均距离从一个随机点在给定的环境中最近的机器人。这个问题已经得到了很好的研究,全方位的机器人,它表明,网络的最佳配置是一个质心Voronoi配置和覆盖成本属于$Θ(m^{-1/2})$,其中$m$是在网络中的机器人的数量。在本文中,我们研究这个问题的更现实的机器人模型,即双积分器(DI)模型和差分驱动器(DD)模型。我们观察到,在算法设计问题中引入这些运动约束会产生一个有趣的行为。对于\emph{sparser}网络,这些机器人模型的最优算法模仿全向机器人。我们提出了新的算法,其性能是在一个恒定的因素的最佳渐近(即,作为$m \to +\infty$)。特别是,我们证明了机器人的DI和DD模型的覆盖成本是为了$m^{-1/3}$。此外,我们表明,随着网络的增长,这些新的算法优于传统的算法,因此需要在网络中的重新配置,以保持最佳的服务质量。
2008-07-18 cs.RO
A Versatile Multi-Robot Monte Carlo Tree Search Planner for On-Line Coverage Path Planning
移动机器人在减少人类执行诸如吸尘、播种、收割、油漆、搜索和救援以及检查等工作的需求方面具有很大的前景。在实践中,这些任务通常必须在没有该区域的精确地图的情况下完成,并且可以通过使用多个机器人一起工作来更快地完成。同时覆盖和映射的多个机器人的区域的任务被称为多机器人在线覆盖,是一个不断增长的研究领域。许多多机器人在线覆盖路径规划算法已被开发为完善的离线覆盖算法的扩展。在这项工作中,我们介绍了一种新的方法,多机器人在线覆盖路径规划的基础上借用博弈论和机器学习的方法-蒙特卡罗树搜索。我们实现了一个蒙特卡罗树搜索规划和比较完成时间对Boustrophedon为基础的在线多机器人规划。的MCTS计划执行与传统的Boustrophedon算法在模拟不同的机器人数量和密度的障碍物在地图上。的多功能性的MCTS规划师证明,将二级目标,如转弯最小化,同时执行相同的覆盖任务。MCTS规划器的多功能性表明它非常适合移动机器人中出现的许多多目标任务。
2020-02-11 cs.MA cs.RO
An Attentional Recurrent Neural Network for Occlusion-Aware Proactive Anomaly Detection in Field Robot Navigation
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对田间机器人导航中的传感器遮挡问题,提出融合历史状态、当前传感与控制动作的注意力循环网络,并显式建模遮挡以降低误报。
2023-09-28 cs.RO
Dissimilarity-Based Persistent Coverage Control of Multi-Robot Systems for Improving Solar Irradiance Prediction Accuracy in Solar Thermal Power Plants
Graduate School of Engineering Science, The University of Osaka(大阪大学工学研究科)
本文提出基于克里金模型的不相似性地图和持久覆盖控制算法,通过移动机器人实验验证了其在提升太阳辐照度预测精度方面的有效性。
2026-03-26 cs.RO cs.SY eess.SY
Cooperative Periodic Coverage With Collision Avoidance
Instituto de Investigación en Ingeniería de Aragón (I3A), Universidad de Zaragoza(阿拉贡工程研究所(I3A),萨拉戈萨大学);BSH Home Appliances Group(BSH家用电器集团)
针对多智能体持续覆盖兴趣点的 NP 难问题,提出路径规划、二次约束线性规划优化与混合整数线性规划避碰调度的三阶段周期方案,并在真实电磁炉原型上验证。
2024-01-24 cs.RO cs.SY eess.SY
Sensor Placement for Globally Optimal Coverage of 3D-Embedded Surfaces
Rutgers, the State University of New Jersey(罗格斯大学(新泽西州立大学))
我们进行了结构和算法研究的移动传感器覆盖优化问题,目标是嵌入在三维工作空间的二维表面。研究的设置模拟了多个重要的应用,包括用于监视的相机网络部署,3D地形的地质监测/调查,以及用于防止疾病病原体传播的基于UV C的表面消毒(例如,SARS-CoV-2)。在一个统一的一般“传感器覆盖”的问题,三个具体的配方进行检查,分别侧重于优化可见性,单一的最佳覆盖质量,和累积质量。在证明了所有这些配方的计算困难,我们描述近似方案和数学规划模型,以接近最佳的解决方案。我们的方法的有效性进行了彻底评估下现实和实际的场景。
2021-03-18 cs.RO math.OC