Density-Driven Optimal Control: Convergence Guarantees for Stochastic LTI Multi-Agent Systems
New Mexico Institute of Mining and Technology(新墨西哥矿业与技术学院)
本文提出随机密度驱动最优控制方法,通过拉格朗日框架实现多智能体系统非均匀区域覆盖,确保在随机LTI动态下时间平均经验分布收敛到非参数目标密度。
2026-04-09 cs.MA cs.RO cs.SY
AI-Augmented Density-Driven Optimal Control (D2OC) for Decentralized Environmental Mapping
Department of Mechanical Engineering, New Mexico Institute of Mining and Technology(机械工程系,新墨西哥矿业与技术研究院)
本文提出AI增强的密度驱动最优控制方法,用于在传感和通信受限条件下实现多智能体环境映射,通过自适应机制提升密度估计精度和鲁棒性。
2026-01-28 cs.MA cs.RO
Nonlinear Density-Driven Optimal Control (D2OC) for Multi-Agent Spatial Coverage via Sequential Convex Programming
Texas Tech University(德克萨斯理工大学)
本文提出非线性密度驱动最优控制(D2OC)扩展,通过序列凸规划实现多智能体空间覆盖,在保持分布式密度驱动特性的同时,显著降低计算成本并保证覆盖性能。
2026-10-06 cs.MA cs.RO cs.SY
HMPCC: Human-Aware Model Predictive Coverage Control
Department of Sciences and Methods for Engineering, University of Modena and Reggio Emilia(工程科学与方法系,摩德纳和雷吉奥艾米利亚大学)
HMPCC通过整合人类运动预测,利用模型预测控制实现高效且适应性强的覆盖控制,提升人机协作效率。
2025-12-14 cs.RO
Comparison of Centralized and Decentralized Approaches in Cooperative Coverage Problems with Energy-Constrained Agents
Louisiana State University(路易斯安那州立大学);University of Science and Technology Beijing(北京科技大学);Boston University(波士顿大学)
考虑了能量受限的多智能体覆盖问题。本文的目的是比较集中式和分散式方法之间的覆盖性能。为此,一个接近最优的集中式覆盖控制方法下的能量耗尽和充满约束。最佳覆盖形成对应于覆盖性能最大化的代理的位置。最优充电队形对应于代理的位置,其中一个代理固定在充电站,其余代理最大化覆盖性能。我们通过在最佳覆盖形成和最佳充电形成之间切换来控制该合作多智能体系统的行为。最后,在覆盖范围的位置,充电时间和代理轨迹的最佳停留时间被确定,以便在给定的时间间隔内最大限度地覆盖。特别是,我们的控制器保证在任何时候最多有一个代理离开团队进行能量补充。
2020-08-26 cs.RO math.OC
Decentralized Ergodic Control: Distribution-Driven Sensing and Exploration for Multi-Agent Systems
Neuroscience and Robotics Laboratory(神经科学与机器人实验室)
本文提出一种去中心化恒定控制策略,用于解决多智能体非线性动态系统的时间变化区域覆盖问题,通过共识实现完全去中心化的多智能体控制政策,并展示了其在多智能体地形映射和目标定位中的应用。
2018-06-13 cs.RO cs.SY eess.SY
D2CoPlan: A Differentiable Decentralized Planner for Multi-Robot Coverage
University of Maryland, College Park(马里兰大学帕克分校);Drexel University(德雷塞尔大学)
多机器人覆盖规划问题的集中式方法缺乏可扩展性。基于学习的分布式算法提供了一个可扩展的途径,除了将面向数据的特征生成功能带到表中,允许与其他基于学习的方法集成。为此,我们提出了一个基于学习的,可区分的分布式覆盖规划(D2COPL A N),它的规模有效地在运行时和代理的数量相比,专家算法,并执行与经典的分布式算法。此外,我们还表明,D2COPlan可以与其他学习方法无缝结合,进行端到端的学习,从而获得比单独训练的模块更好的解决方案,为进一步研究经典方法仍然难以实现的任务打开了大门。
2022-09-19 cs.RO
Decentralized Learning With Limited Communications for Multi-robot Coverage of Unknown Spatial Fields
Princeton University(普林斯顿大学)
本文提出了一种算法,一组移动机器人同时学习一个域上的空间场,并在空间上分布自己,以最佳地覆盖它。借鉴以往的方法,估计空间场通过一个集中的高斯过程,这项工作利用了覆盖问题的空间结构,并提出了一种分散的策略,通过建立跨越边界的通信,在本地聚集样本一个Voronoi分区。我们提出了一种算法,每个机器人运行一个本地高斯过程计算从自己的测量和提供的Voronoi邻居,这是纳入个别机器人的高斯过程,只有当他们提供足够新颖的信息。该算法的性能进行了评估,在模拟和集中式的方法相比。
2022-08-03 cs.MA cs.RO
PB-STDG: A Prediction-Based Short-Term Decentralized Greedy Guidance Algorithm for a Drone Road System
University of Canterbury(坎特伯雷大学)
本文提出PB-STDG算法,通过预测邻居决策改进STDG,在保持安全的同时提升城市无人机道路系统的交通效率。
2026-10-06 cs.NI cs.RO
Dynamic Decentralized 3D Urban Coverage and Patrol with UAVs
本文提出了一种模块化框架和巡逻策略,使无人机群在灾害场景中实现协作和周期性覆盖。通过任务分配将感兴趣区域离散化为连接的视点路径,无人机团队在随机方向上沿路径移动并碰撞,实现3D城市环境的完整覆盖。
2024-06-14 cs.RO
A Decentralized Interactive Architecture for Aerial and Ground Mobile Robots Cooperation
LITIS, University of Le Havre(勒阿弗尔大学LITIS);GREAH, University of Le Havre(勒阿弗尔大学GREAH);IUT GEII, University of Le Havre(勒阿弗尔大学IUT GEII)
本文提出了一种新的分散式交互架构的空中和地面移动机器人的合作。空中移动机器人用于在区域检查期间提供全球覆盖,而地面移动机器人用于提供地面特征的局部覆盖。我们包括一个人在回路中提供路标的地面移动机器人安全地在检查区域的进展。空中移动机器人连续跟随地面移动机器人,以便始终将其保持在其覆盖视图中。
2015-02-27 cs.RO
Decentralized Collision-Free Control of Multiple Robots in 2D and 3D Spaces
本文提出在任意未知二维和三维区域中实现多机器人去中心化无碰撞控制的方法,通过网格选择和算法设计解决完全覆盖和搜索任务,算法在MATLAB中验证并与其他算法对比。
2017-09-18 cs.MA cs.RO cs.SY
Coverage Control in Multi-Robot Systems via Graph Neural Networks
GRASP Laboratory, University of Pennsylvania(宾夕法尼亚大学GRASP实验室);Treeswift;Department of Electrical and Systems Engineering, University of Pennsylvania(宾夕法尼亚大学电气与系统工程系)
本文提出了一种多机器人系统移动传感器覆盖的分散方法。我们考虑的情况下,一个团队的机器人有限的传感范围必须定位自己,以有效地检测感兴趣的事件在一个区域的特点是不同的重要性。为此,我们开发了一个分散控制政策的机器人-实现通过图神经网络-它使用机器人间的通信,利用非本地信息的控制决策。通过显式地共享多跳邻居之间的信息,分散控制器实现了更高的覆盖质量相比,经典的方法,不通信,只利用本地信息提供给每个机器人。仿真实验验证了多跳通信对多机器人覆盖的有效性,并评估了基于学习的控制器的可扩展性和可移植性。
2021-09-30 cs.RO
Centralization vs. decentralization in multi-robot sweep coverage with ground robots and UAVs
M.K. Heinrich, IRIDIA, Universit\' e Libre de Bruxelles, Brussels, Belgium A. Jamshidpey University of Ottawa, Ottawa, Canada M. Wahby Reverse Labs, Amsterdam, The Netherlands
本文针对地面机器人与无人机协同清扫覆盖任务,比较五种集中、分散及混合控制结构在覆盖质量、时间、可扩展性和容错性上的权衡。
2025-08-29 cs.RO
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
RACER: Rapid Collaborative Exploration with a Decentralized Multi-UAV System
Hong Kong University of Science and Technology(香港科技大学)
尽管多架无人机(UAV)的使用在快速自主探索方面具有巨大的潜力,但它受到的关注太少了。在本文中,我们提出了RACER,一个快速的协作探索方法,使用分散的无人机舰队。为了有效地调度无人机,一个成对的互动的基础上在线hgrid空间分解。它确保所有无人机同时探索不同的区域,只使用异步和有限的通信。此外,我们优化未知空间的覆盖路径,并平衡分配给每个无人机的工作量与容量限制车辆路径问题(CVRP)制定。给定任务分配,每个无人机不断更新覆盖路径,并逐步提取关键信息,以支持勘探规划。分层规划器依次发现探索路径、细化局部视点和生成最短时间轨迹,以实现对未知空间的灵活、安全探索。实验结果表明,该方法具有较高的探测效率、可扩展性和对有限通信的鲁棒性.此外,我们第一次在现实世界中实现了与多个无人机的完全分散的协作探索。我们将以开源包的形式发布我们的实现。
2022-09-18 cs.RO
LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control
GRASP Laboratory, University of Pennsylvania(宾夕法尼亚大学GRASP实验室);Massachusetts Institute of Technology(麻省理工学院);University of Pennsylvania(宾夕法尼亚大学);Department of Electrical and Systems Engineering, University of Pennsylvania(宾夕法尼亚大学电气与系统工程系)
针对有限通信与感知下机器人集群去中心化覆盖控制难题,提出LPAC架构,结合CNN、GNN与MLP处理局部感知、通信与动作计算,基于模仿学习训练,性能优于标准算法且具备强泛化与鲁棒性。
2025-10-31 cs.LG cs.RO
Scalable Multi Agent Diffusion Policies for Coverage Control
Department of Electrical and Systems Engineering, University of Pennsylvania(宾夕法尼亚大学电气与系统工程系);Department of Mechanical Engineering, Indian Institute of Technology Bombay (IITB)(印度理工学院班加罗尔机械工程系)
本文提出基于扩散模型的多智能体策略MADP,通过空间Transformer实现去中心化推理,在覆盖控制任务中展现出跨密度与环境的泛化能力并优于现有基线。
2025-09-21 cs.RO
WiSER-X: Wireless Signals-based Efficient Decentralized Multi-Robot Exploration without Explicit Information Exchange
John A. Paulson School of Engineering and Applied Sciences, Harvard University(约翰·A·保罗森工程与应用科学学校,哈佛大学)
WiSER-X通过本地无线信号估计实现高效去中心化多机器人探索,减少冗余覆盖重叠,无需显式信息共享。
2025-12-04 cs.RO
A Framework for Real-World Multi-Robot Systems Running Decentralized GNN-Based Policies
University of Cambridge(剑桥大学)
GNN是一种范式转换的神经架构,用于促进复杂多智能体行为的学习。最近的工作已经表现出显着的性能,如群集,多智能体路径规划和合作覆盖的任务。然而,通过基于GNN的学习方案获得的策略尚未部署到物理多机器人系统的现实世界中。在这项工作中,我们提出了一个系统的设计,允许完全分散执行基于GNN的政策。我们创建了一个基于ROS2的框架,并在本文中详细阐述了它的细节。我们展示了我们的框架上的案例研究,需要机器人之间的紧密协调,并提出了第一种的结果,显示成功的现实世界部署的GNN为基础的政策上的分散的多机器人系统依赖于自组织通信。这个案例研究的视频演示以及附带的源代码存储库可以在网上找到。https://www.youtube.com/watch? https://github.com/proroklab/ros2_multi_agent_passage https://github.com/proroklab/rl_multi_agent_passage
2022-02-28 cs.LG cs.MA 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
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
Algorithm for Decentralized Cooperative Positioning of Multiple Autonomous Agents
Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室(MERL));Northeastern University(东北大学)
智能体团队成功执行任务的最基本先决条件之一是准确估计和跟踪他们的姿势。我们考虑一个合作的多代理定位问题,每个代理执行单代理定位,直到它遇到一些其他代理。在相遇时,两个智能体测量它们的相对姿态,并交换代表它们姿态的粒子云。我们提出了一个合作定位算法,融合接收到的信息与本地可用的测量和推断代理的贝叶斯框架内的姿态。该算法可扩展到多个代理,具有相对较低的计算复杂性,允许跨代理的分散实现,对通信覆盖和带宽的要求相对较低。实验结果表明,该算法大大提高了单智能体定位精度,减少了粒子云的收敛时间,并且与单智能体定位算法不同,该算法对障碍性特征稀缺和对称环境布局具有免疫力。
2019-03-14 cs.RO
STEAM: A Training-Free Congestion-Aware Enhancement Framework for Decentralized Multi-Agent Path Finding
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University(自动化与智能感知学院,上海交通大学)
本文提出STEAM框架,一种无需训练的去中心化多智能体路径寻找(MAPF)学习方法,在离散环境中通过注入轻量级拥堵感知指导来提升性能,通过空间避让、时间修正和密度修正等方法提高成功率和效率。
2026-05-20 cs.RO
Decentralized Reinforcement Learning for Multi-Target Search and Detection by a Team of Drones
Mechanical and Industrial Engineering Department, Northeastern University(东北大学机械与工业工程学院)
目标搜索和检测包含了覆盖、监视、搜索、观察和追捕等多种决策问题。在本文中,我们开发了一种多智能体深度强化学习(MADRL)方法,以协调一组飞行器(无人机)定位一组静态目标在未知区域的目的。为此,我们设计了一个逼真的无人机模拟器,它复制了真实实验的动力学和扰动,包括从实验数据中进行建模的统计推断。我们的强化学习方法利用这个模拟器进行训练,能够为无人机找到接近最优的策略。与其他最先进的MADRL方法相比,我们的方法在学习和执行过程中是完全分散的,可以处理高维和连续的观测空间,并且不需要调整额外的超参数。
2021-03-17 cs.LG cs.MA cs.RO
Risk-aware Safe Control for Decentralized Multi-agent Systems via Dynamic Responsibility Allocation
Carnegie Mellon University(卡内基梅隆大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对无全局协调器的去中心化多智能体系统,提出一种基于受CBF启发的风险度量的动态责任分配框架,通过动态分配责任份额开发风险感知安全控制器,在无通信条件下提升系统整体安全性与运动效率。
2023-05-22 cs.AI cs.RO
Hilbert-Augmented Reinforcement Learning for Scalable Multi-Robot Coverage and Exploration
本文提出一种基于Hilbert空间的强化学习方法,用于提高多机器人覆盖与探索的效率和可扩展性。
2026-02-23 cs.AI cs.MA cs.RO
Decentralized Uncertainty-Aware Active Search with a Team of Aerial Robots
The Robotics Institute, Carnegie Mellon University(机器人研究所、卡内基梅隆大学)
针对灾后大范围搜救中通信受限与目标数量未知问题,本文提出去中心化、不确定性感知的多空中机器人主动搜索系统,通过随机覆盖、信息共享与多视图融合实现未知OOI的快速检测和约3米精度定位。
2025-06-10 cs.RO
Multi-agent Coverage Control: From Discrete Assignments to Continuous Multi-agent Distribution Matching
本文综述多智能体覆盖控制问题,涵盖静态与动态部署、离散与连续任务分配,指出统一特征并给出新参考文献,大纲包括并发区域划分、离散任务分配及大规模群体连续分配。
2024-07-18 cs.RO math.OC
Decentralized UAV Swarms for Ground Target Protection in GPS- and Communication-Denied Environments
Queen’s University(女王大学);Universidade Federal da Paraíba(帕拉伊巴联邦大学);Czech Technical University in Prague(布拉格捷克技术大学)
针对GPS和通信受限环境下地面目标保护问题,提出用无人机自主群的方法,开发卡尔曼滤波器并提出分布式群包围技术,经真实机器人验证,可有效检测、包围和拦截敌对无人机。
2026-07-24 cs.RO
PILOC: A Pheromone Inverse Guidance Mechanism and Local-Communication Framework for Dynamic Target Search of Multi-Agent in Unknown Environments
School of Control Science and Engineering, Dalian University of Technology, Dalian, China(控制科学与工程学院,大连理工大学,大连,中国)
针对未知动态环境中多智能体搜索与救援的挑战,提出PILOC框架,利用信息素逆引导机制和局部通信实现去中心化协作,显著提升搜索效率与鲁棒性。
2025-07-10 cs.AI cs.RO
Sensor-based Multi-agent Coverage Control with Spatial Separation in Unstructured Environments
The Chinese University of Hong Kong(香港中文大学)
本文提出一种基于Voronoi图的分散式覆盖控制方法,利用多机器人主动感知补充GIS,通过空间分解和球面镜像生成无碰撞区域,并集成死锁感知引导地图与梯度优化策略,在非结构化环境中显著提升任务成功率、覆盖率并缩短执行时间。
2024-07-17 cs.RO
Multi-UAV Uniform Sweep Coverage in Unknown Environments: A Self-organizing Nervous System (SoNS)-Based Random Exploration
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所)
针对未知环境中无定位条件的多无人机均匀扫描覆盖问题,提出基于自组织神经系统(SoNS)框架的随机游走方法,使无人机自组织成线形编队进行探索,仿真表明该方法比去中心化基准策略更快实现全覆盖且均匀性更高。
2025-03-03 cs.RO
MAST: Multi-Agent Spatial Transformer for Learning to Collaborate
本文提出多智能体空间Transformer(MAST),通过窗口化注意力与新型位置编码实现去中心化多机器人协作通信策略学习,在分配导航和覆盖控制任务中优于基线方法并具有通信延迟鲁棒性。
2025-09-21 cs.RO
Co-Optimizing Reconfigurable Environments and Policies for Decentralized Multi-Agent Navigation
University of Cambridge(剑桥大学)
本文提出智能体-环境协同优化框架,通过策略梯度无模型学习交替优化智能体导航策略与可重构环境布局,并证明其收敛性,实验表明优化后的环境能有效引导多智能体避碰导航。
2025-07-02 cs.LG cs.MA cs.RO
Decentralized Informative Path Planning with Exploration-Exploitation Balance for Swarm Robotic Search
University at Buffalo(布法罗大学)
群机器人搜索涉及在未知环境中搜索目标(例如,用于搜索和救援或危险定位),使用大量协作的简单移动机器人。在这样的应用中,分散的群系统被吹捧为他们的任务/覆盖范围的可扩展性,时间效率,和容错。为了指导这种群体系统的行为,有两大类方法可用,即自然启发的群体算法和多机器人搜索方法。然而,同时提供计算高效的可扩展性和对所展示的行为的基本见解(而不是黑盒行为模型),在这两类方法中的任一种下仍然具有挑战性。在本文中,我们开发了一个重要的扩展批量贝叶斯搜索方法的应用程序,体现群体系统,在物理二维空间搜索。主要贡献在于:1)设计一个采集功能,不仅平衡整个群体的探索和利用,而且还允许对轨迹上的知识提取进行建模; 2)开发其分布式实现,以允许群机器人进行异步任务推理和路径规划。由此产生的集体信息路径规划方法进行测试的目标搜索的情况下,研究不同的复杂性,目标产生的空间变化(可测量)的信号。显着优越的性能,在任务完成效率方面,观察到相比,穷举搜索和随机游走基线,以及良好的性能可扩展性,随着群体规模的增加。
2019-05-31 cs.MA cs.RO
4CNet: A Diffusion Approach to Map Prediction for Decentralized Multi-Robot Exploration
University of Toronto(多伦多大学);Autonomous Systems and Biomechatronics Laboratory (ASBLab)(自主系统与生物机电实验室(ASBLab))
本文提出4CNet深度学习架构,结合条件一致性模型、对比式轨迹预训练和置信度网络,用于资源受限去中心化多机器人探索中的地图预测,并在不规则障碍物环境中验证了其显著优于现有方法的预测精度和覆盖能力。
2025-04-08 cs.RO
Entropy-Gated Belief Coordination for Decentralized Multi-Agent Search Under Intermittent Communication
Worcester Polytechnic Institute(伍斯特理工学院)
针对间歇通信下多智能体搜索,提出熵门控信念协调,通过阈值控制融合时机,EG-TDP在实验中显著提升信念质量并优于联合贝叶斯参考。
2026-10-07 cs.RO
Towards Multi-robot Exploration: A Decentralized Strategy for UAV Forest Exploration
ETH Zürich(苏黎世联邦理工学院)
有效的勘探战略在诸如搜索和救援任务和灾害调查等任务中至关重要。无人机(UAV)在这些应用中变得特别受欢迎,有望以高速覆盖大面积。此外,随着机载无人机感知的日益成熟,研究重点已经转向单机器人和多机器人任务的高级推理。然而,自主导航和探索以前未知的大空间仍然是一个开放的挑战,特别是当环境混乱,并表现出大而频繁的闭塞,由于高障碍密度,如森林的情况。此外,在这样的场景中,远距离无线通信的问题可能成为一个限制因素,特别是在无人机群的自动导航时。本着这种精神,这项工作提出了一种探索策略,使无人机,无论是单独的还是小规模的,都能以分散的方式快速探索复杂的场景。通过为每个无人机提供决策能力以在不同的执行模式之间切换,所提出的策略在对完全未知的区域进行谨慎探索和对未知空间的较小区域进行更积极的探索之间取得了很大的平衡。这导致对密度可变的森林区域进行全覆盖,始终比最先进的速度更快。这项工作展示了使用单个无人机以及最多三个无人机的集群的成功部署,阐述了多根探索的基本原则杂乱的场景,在单架无人机情况下,速度可提高65%,在多架无人机情况下,在相同的任务时间内,探索区域可增加40%。
2023-01-20 cs.MA cs.RO
Distributed Area Coverage with High Altitude Balloons Using Multi-Agent Reinforcement Learning
NREIP Intern(NREIP实习生);U.S. Naval Research Laboratory(美国海军研究实验室);U.S. Government(美国政府)
针对小型高空气球编队本地化区域覆盖任务中现有确定性方法表现不佳的问题,本研究扩展RLHAB仿真环境,将QMIX多智能体强化学习算法适配于该任务,实现了与理论最优确定性方法相近的性能,为复杂多HAB自主任务提供基础。
2025-10-04 cs.LG cs.MA cs.RO
Cooperative Informative Sensing for Monitoring Dynamic Indoor Environments via Multi-Agent Reinforcement Learning
Korea Advanced Institute of Science and Technology(韩国科学技术院);Stanford University(斯坦福大学);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)
本文提出利用多智能体强化学习进行协作信息感知,以提高动态室内环境监控的准确性,优于传统覆盖和学习无关的多机器人方法。
2026-04-25 cs.AI cs.MA cs.RO
Autonomous Frontier-Based Exploration with VLM Guidance
EECS Department, University of California(加州大学EECS系)
提出利用视觉语言模型进行高层战略决策,替代几何启发式,通过多模态提示选择最优前沿,在模拟环境中将地图覆盖率提升高达24%。
2026-05-22 cs.AI cs.CL cs.RO
Decentralized Scalable Exploration via Emergent Adaptive Lévy Walks on Minimal-Sensing Platforms
National University of Singapore(新加坡国立大学)
针对纳米无人机自主探索难题,提出轻量级传感器驱动的莱维飞行控制器,结合离散步长采样与传感器反应策略,各机器人独立采样指数并选航向,实现可扩展多无人机探索,仿真显示覆盖率提升且碰撞减少。
2026-09-10 cs.MA cs.RO
Learning to Coordinate for a Worker-Station Multi-robot System in Planar Coverage Tasks
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院)
本文针对大规模平面覆盖任务中资源受限且存在随机动态干扰的多机器人系统,提出工人-工作站MRS,并将其建模为完全合作多智能体强化学习问题,通过端到端分散式在线规划同时实现覆盖与会合规划,仿真和实机实验验证了其在任务完成时间上的竞争力。
2022-08-24 cs.AI cs.MA cs.RO
Distributed Heuristic Multi-Agent Path Finding with Communication
Simon Fraser University(西蒙弗雷泽大学)
多智能体路径搜索(MAPF)是大规模机器人系统的关键。最近的方法已经应用强化学习(RL)学习分散的政策在部分可观察的环境。获得无冲突策略的一个基本挑战是,代理需要学习合作来处理拥塞的情况。本文将通信与深度Q学习相结合,为MAPF提供了一种新的基于学习的方法,其中代理通过图卷积实现合作。为了指导RL算法在长期目标导向的任务,我们嵌入了潜在的选择,从单一来源的最短路径作为启发式指导,而不是使用一个特定的路径,在大多数现有的作品。我们的方法独立对待每个代理,并从单个代理的角度训练模型。最终训练的策略应用于每个代理,以分散执行。整个系统在训练期间是分布式的,并且在课程学习策略下进行训练。在障碍物丰富的环境中的实证评估表明,我们的方法的平均步长低,成功率高。
2021-06-21 cs.AI cs.MA cs.RO
DC-Ada: Reward-Only Decentralized Sensor Adaptation for Heterogeneous Multi-Robot Teams
Department of Computer Science, Al-Baha University(阿尔巴大学计算机科学系)
DC-Ada通过冻结预训练共享策略并适应紧凑的机器人观测转换,解决异构多机器人团队中传感器差异导致的性能下降问题,展示了在不同任务和指标下的有效性。
2026-04-29 cs.AI cs.MA cs.RO
Methods for Collision-Free Navigation of Multiple Mobile Robots in Unknown Cluttered Environments
自主车辆的导航和引导是机器人学的一个基本问题,近几十年来吸引了大量的研究。这份报告主要涉及可证明的碰撞避免多个自主车辆在未知的杂乱环境中运行,使用反应分散导航法,障碍物信息由一些传感器系统提供。最近,基于模型预测控制的导航系统的鲁棒和分散的变体已被应用于车辆导航问题。属性,如可证明的碰撞避免下的干扰和可证明的收敛到一个目标已被证明;然而,这些往往需要显着的计算和通信能力,不考虑传感器的约束,使实时使用有些困难。似乎还有机会在易处理性、最优性和鲁棒性之间进行更好的权衡。本文的主要工作如下:第一,将鲁棒模型预测控制概念与基于局部路径规划的反应式导航策略相结合,分别应用于具有加速度约束和扰动的完整和单一车辆模型;第二步,将模型预测控制类型的方法扩展到关于障碍物的信息仅限于离散射线的情况,基于传感器模型,可证明安全,收敛边界以下,可以显示;第三,新的约束条件的发展,允许分散协调多个车辆使用一个强大的模型预测控制型方法,其中一个单一的通信交换使用每个控制更新,车辆被允许同时执行规划,并避免一致性目标。
2014-01-27 cs.RO math.OC