Show me what you want: Inverse reinforcement learning to automatically design robot swarms by demonstration
Université libre de Bruxelles(布鲁塞尔自由大学)
自动设计是生成机器人群控制软件的一种很有前途的方法。到目前为止,自动设计依赖于任务特定的目标函数来指定所需的集体行为。在本文中,我们探讨的可能性,指定所需的集体行为,通过示范。我们开发Demo-Cho,一种自动设计方法,将逆强化学习与机器人群控制软件的自动模块化设计相结合。我们表明,只有在演示的基础上,而不需要提供一个明确的目标函数,Demo-Cho成功地生成了控制软件来执行四个任务。我们目前在模拟和物理机器人获得的结果。
2023-01-17 cs.LG 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
Review on Efficient Strategies for Coordinated Motion and Tracking in Swarm Robotics
Middlesex University(密德萨斯大学)
群体机器人是一种创造性的组织多机器人结构的方法,由许多受公共昆虫影响的基本机器人组成。群体机器人最令人惊讶的属性是它们能够一起工作以实现集体目标。本文讨论了目前的调查,问题和算法,刺激在群体机器人协调运动的研究。群机器人运动的算法进行了对比,考虑到群体微型机器人完成聚合,创建,并通过对比算法和仿真之间的相关计算仿真。
2023-02-13 cs.RO
AERoS: Assurance of Emergent Behaviour in Autonomous Robotic Swarms
University of Bristol(布里斯托大学);University of York(约克大学)
本文提出AERoS流程,遵循AMLAS指南,用于保证自主机器人群体中涌现行为的安全性,并通过公共衣帽间机器人案例进行验证。
2023-02-20 cs.AI cs.RO
Decentralised construction of a global coordinate system in a large swarm of minimalistic robots
Tomas Bata University in Zlín(兹林托马斯巴塔大学);New Jersey Institute of Technology(新泽西理工学院);Université Libre de Bruxelles(布鲁塞尔自由大学);University of Sheffield(谢菲尔德大学)
机器人群体的集体智慧和自主性可以通过使单个机器人意识到它们是一个更大的整体的组成单元以及它们的角色来提高。在这项研究中,我们提出了一种算法,使位置自我意识在一群极简主义的容易出错的机器人,只能在本地广播消息,并估计距离他们的邻居。尽管无法测量传入消息的方位,但运行我们算法的机器人可以计算它们在以规则队形部署的群中的位置。我们通过多达200个Kilobot机器人的实验表明,这种位置的自我意识可以被机器人用来创建一个共享的坐标系,并动态地自我分配位置相关的任务。我们的解决方案比最先进的算法要求更少,并且包含集体噪声过滤机制。因此,它有一个扩展的机器人平台,它可以运行。所有机器人都是可互换的,运行相同的代码,并且不需要任何先验知识。通过我们的算法,机器人达到了集体同步,并且可以自主地意识到群体的空间配置及其在其中的位置。
2023-02-28 cs.AI cs.RO
HeRo 2.0: A Low-Cost Robot for Swarm Robotics Research
Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);Instituto Tecnológico Vale(淡水河谷技术研究所)
电子元件小型化的现状,加上硬件和软件效率的提高,使得可以开发更小、更紧凑的机器人系统。使用这些小型,简单,但功能强大的机器人的便利性已经聚集了研究界对群体机器人实际应用的注意力。本文提出了一种新的平台群机器人应用程序的设计,是低成本,易于组装使用现成的组件,并与最常用的机器人框架今天:ROS(机器人操作系统)的深度集成。机器人平台是完全开放的,由3D打印的身体和开源软件组成。我们描述了它的体系结构,提出了它的主要特点,并评估其功能执行实验使用一对夫妇的机器人。结果表明,所提出的移动机器人是非常有效的,由于其体积小,降低了成本,适合于群体机器人的研究和教育。
2022-03-04 cs.AI cs.MA cs.RO
PheroCom: Decentralised and asynchronous swarm robotics coordination based on virtual pheromone and vibroacoustic communication
Federal University of Uberlândia(乌贝兰迪亚联邦大学)
生物启发的方法所使用的stigmergic物质的动态表示和控制是一个挑战,当应用于机器人。为了克服这一挑战,这项工作提出了一个模型,以协调机器人群的基础上虚拟化和控制这些物质在本地范围内。该模型提出了一种新的信息素建模,使分散和导航决策的精确性。每个机器人保持一个独立的虚拟信息素地图,这是不断更新的机器人的存款和信息素蒸发。此外,个体信息素地图也通过聚合来自正在探索附近区域的其他机器人的信息来更新。因此,个体和独立的地图取代了控制和分发信息素信息的集中代理的需要,这并不总是可行的。信息素信息传播的灵感来自蚂蚁的振动声通信,而振动声通信的特征在于通过一种八卦协议的间接通信。该模型进行了评估,通过代理模拟软件,实现了作者,并在Webots平台。实验进行了验证模型在不同的环境中,具有不同的形状和大小,以及不同的机器人的数量。结果分析表明,该模型能够执行群体的协调,机器人表现出表现力的执行监视任务的性能。
2022-02-27 cs.AI cs.MA cs.NE
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
Three Cases of Connectivity and Global Information Transfer in Robot Swarms
Institute of Parallel and Distributed Systems, University of Stuttgart(斯图加特大学并行与分布式系统研究所)
在这项工作中,我们考虑三种不同的情况下,机器人-机器人的相互作用和由此产生的全球信息传输的机器人群。这些机制定义了系统的合作属性,并可用于设计集体行为。这三种情况下演示和讨论的基础上,在一群微型机器人“茉莉花”的实验。
2011-09-20 cs.RO
Online automatic code generation for robot swarms: LLMs and self-organizing hierarchy
该研究利用自组织神经系统 SoNS 让机器人群体在任务停滞时在线请求并执行外部 LLM 生成的代码,真实机器人与仿真实验验证了其自动恢复并完成任务的能力。
2025-10-19 cs.AI cs.MA cs.RO
Past, Present, and Future of Swarm Robotics
Heinrich Heine University Düsseldorf(杜塞尔多夫海因里希·海涅大学);Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
群机器人是一个新兴的领域,适应自然群体的现象,机器人。这是一项机器人研究,旨在模仿自然群体,如蚂蚁和鸟类,以形成一个可扩展,灵活和强大的系统。这些机器人表现出自我组织、自治、合作和相互协调。成本和设计复杂性因素旨在保持低水平,因此试图形成与自然蜂群非常相似的系统。机器人在没有任何中央实体来控制它们的情况下操作,并且机器人之间的通信可以是直接的(机器人到机器人)或间接的(机器人到环境)。群机器人有着广泛的应用领域,从简单的家务到军事任务。本文回顾了群体机器人方法的历史和未来。它讨论了群体机器人的基本思想,它的重要特征,模拟器,项目,现实生活中的应用和一些未来的想法。
2021-01-03 cs.MA cs.RO
Environment induced emergence of collective behaviour in evolving swarms with limited sensing
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Technology Innovation Institute(技术创新研究所)
为机器人群体设计控制器是一项挑战,因为人类开发人员通常无法很好地理解控制单个机器人的控制器的细节与群体行为之间的联系,而群体行为是群体成员与环境之间相互作用的间接结果。在本文中,我们调查是否进化的方法可以减轻这个问题。我们认为一个非常具有挑战性的任务,有限的传感和通信能力的机器人必须遵循梯度的环境特征,并使用差分进化来进化模拟机器人的神经网络控制器。我们进行了系统的研究,以衡量的灵活性和可扩展性的方法,通过改变规模的舞台和机器人的数量在群。实验证明了我们的方法的可行性,进化的机器人控制器诱导群体行为,解决了任务。我们发现,在最恶劣的条件下(环境线索最弱的情况下)进化出的解决方案是最灵活的,而且在种群规模方面存在一个最佳点。此外,我们观察到群体的集体运动,展示了真正的涌现行为,这在进化过程中并没有表现出来。
2022-04-11 cs.AI cs.RO
Collective Energy Foraging of Robot Swarms and Robot Organisms
Institute of Parallel and Distributed Systems, University of Stuttgart(斯图加特大学并行与分布式系统研究所)
独立的群体代理之间的合作和竞争增加了整个系统的集体适应度。一些细菌和真菌在建立共生有机体时,证明了一种基本上新型的集体系统。共生的生命形式出现了新的功能和自我发展的能力,这使得群体代理在不同的环境中更好地生存。在本文中,我们考虑两个机器人物种,群体机器人和共生机器人有机体的能量觅食方案。这表明,微型机器人聚集成一个机器人有机体可以提供更好的功能适应性为整个群体。示出了能够自主聚合和解聚的微型机器人的原型。
2011-11-03 cs.RO
Vision based range and bearing algorithm for robot swarms
Middle East Technical University(中东技术大学)
本文提出了一种新的计算机视觉算法,用于机器人群的距离和方位的在线检测。结果表明,所提出的视觉系统的可靠性,使它可以用于机器人群体的应用。
2021-03-14 cs.RO
Clone Swarms: Learning to Predict and Control Multi-Robot Systems by Imitation
Arizona State University(亚利桑那州立大学);Intel Corporation(英特尔公司)
在本文中,我们提出了SwarmNet -一个神经网络架构,可以学习预测和模仿行为的观察群体的代理集中的方式。在人工生成的群体运动数据上进行测试,该网络实现了高水平的预测准确性和模仿真实性。我们将我们的模型与以前的方法进行比较,为交互系统建模,并显示如何修改其他模型的组件逐渐接近我们的性能。最后,我们还讨论了SwarmNet的扩展,它可以处理机器人应用中经常出现的不确定性,噪声和不确定性环境。
2020-11-03 cs.AI cs.NE cs.RO
Closing the Gap in Swarm Robotics Simulations: An Extended Ardupilot/Gazebo plugin
Edinburgh Centre for Robotics(爱丁堡机器人中心)
这项工作提供了Ardupilot的能力的扩展,使研究人员能够在机器人操作系统(ROS)/露台模拟中开发群机器人应用程序。Ardupilot是一款用于自主空中、陆地和水下机器人自动驾驶功能的工具。然而,最初的Ardupilot并不是为群体机器人领域的应用而设计的。因此,本文的主要贡献是赋予Ardupilot处理群机器人仿真的能力,包括制造商的描述文件的重构。这项工作提供了一个全面的和现实的仿真测试平台,用于ROS/Ardupilot伞下的群机器人应用,使用现有的现成的Erdibotics的erlecopter无人机。
2018-11-16 cs.RO
Evolving Multi-Objective Neural Network Controllers for Robot Swarms
University of Galway(戈尔韦大学);University of Bristol(布里斯托大学)
提出多目标进化神经网络方法训练群体机器人控制器,在低保真模拟中进化,可迁移至高保真环境并扩展至更多机器人,无需重训。
2023-07-26 cs.LG cs.NE cs.RO
Robotic Hierarchical Graph Neurons. A novel implementation of HGN for swarm robotic behaviour control
Monash University(莫纳什大学);Defence Science and Technology Group(国防科学技术集团);Sensor Analytics(传感器分析公司)
本文探讨了使用一种新形式的层次图神经元(HGN)在操作行为选择的机器人代理群。这种新的HGN被称为Robotic-HGN(R-HGN),因为它通过融合来自时间和群内集合的匹配概率来将机器人环境观测与环境标签相匹配。这种方法对于HGN来说是新颖的,因为它解决了机器人观测是伪连续数字,而不是分类值。此外,所提出的方法是存储器和计算功率保守的,因此是可以接受的,用于移动设备,如单板计算机,这是经常使用的移动机器人代理。该R-HGN方法针对个体行为实现和随机行为选择进行了验证。这种对比是在两组模拟环境中进行的:旨在挑战R-HGN行为的环境,以及随机生成的环境,这些环境对机器人群来说比R-HGN训练条件更具挑战性。已经发现R-HGN能够在这两个集合中进行适当的行为选择,从而在预先训练和意外的环境条件下实现显著的群体性能。
2019-10-28 cs.AI cs.MA cs.RO
Automatically designing robot swarms in environments populated by other robots: an experiment in robot shepherding
IRIDIA, Université libre de Bruxelles(布鲁塞尔自由大学IRIDIA研究所)
本文研究在存在其他机器人的环境中自动设计机器人集群,以机器人牧羊为框架,使用自动模块化设计和神经进化生成牧羊犬集群的控制软件,实现与羊群的有效协调。
2024-04-28 cs.RO
Collective perception for tracking people with a robot swarm
Université libre de Bruxelles(布鲁塞尔自由大学);Royal Military Academy of Belgium(比利时皇家军事学院);Toyota Motor Europe(丰田汽车欧洲公司)
本研究针对机器人群动态环境监测需求,提出基于群体感知的人员集体追踪方法,经多办公环境仿真实验验证,该方案在动态监测中具备显著应用潜力。
2024-10-09 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
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
Evolution of Collective Behaviors for a Real Swarm of Aquatic Surface Robots
Instituto de Telecomunicações(电信研究所);Instituto Universitário de Lisboa (ISCTE-IUL)(里斯本大学学院(ISCTE-IUL));Faculdade de Ciências(理学院)
群机器人是一种很有前途的方法,用于协调大量的机器人。虽然以前的研究已经表明,进化机器人技术可以应用于获得强大的和有效的自组织行为的机器人群,大多数研究已经进行了模拟,并已进行了真正的机器人的少数已被限制在实验室环境。在本文中,我们首次展示了一个群体机器人系统与进化控制成功地运行在一个真实的和不受控制的环境。我们进化神经网络为基础的控制器在模拟典型的群体机器人任务,即归巢,分散,聚类和监测。然后,我们评估一个真正的群多达10个水面机器人的控制器的性能。我们的研究结果表明,进化的控制器成功地转移到真正的机器人,并实现了类似的性能在仿真中获得的性能。我们验证了进化的控制器显示基于群体智能的控制,即可扩展性,灵活性和鲁棒性的关键属性在真正的群体。最后,我们的概念验证实验中,通过结合多个进化的控制器,群执行一个完整的环境监测任务。
2016-02-02 cs.RO
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
SwarmUS: An open hardware and software on-board platform for swarm robotics development
University of Sherbrooke(舍布鲁克大学)
分布式群体机器人的实际应用是罕见的。通用群体机器人平台的标准化可以极大地加速群体机器人向现实生活的实现。SwarmUS平台是一个开源的硬件和软件板载嵌入式系统,旨在添加到现有的机器人上,同时为它们提供群功能,从而提出了一个新的平台标准化问题。这些功能包括基于超宽带的分布式相对定位系统、基于Wi-Fi的本地通信系统和基于SwarmUS平台内连接的机器人之间的Buzz程序设计语言的分布式协调系统。此外,一个人与群体的互动移动应用程序和仿真的机器人操作系统(ROS)的平台。最后,该系统的实现和测试两种类型的机器人:一个TurtleBot3汉堡和两个先锋2DX。
2022-03-05 cs.MA cs.RO cs.SY
Can A Single Human Supervise A Swarm of 100 Heterogeneous Robots?
Collaborative Robotics and Intelligent Systems Institute(协作机器人与智能系统研究所);Oregon State University(俄勒冈州立大学);SIFT, LLC(SIFT有限责任公司)
本研究通过实地演习验证了单个人类能够监管100个异构机器人蜂群执行真实任务,尽管工作量常超阈值,但任务仍成功完成。
2023-07-31 cs.AI cs.HC cs.RO
Swarm Robots Inspired by Friendship Formation Process
Research Institute of Electrical Communication, Tohoku University(东北大学电气通信研究所);Panasonic Corporation(松下公司)
群机器人系统是其中具有简单功能的多个机器人通过它们的合作来执行任务的系统,并且其优点在于它们可以表现出诸如适应性、容错和可扩展性的非平凡宏观功能。我们以前提出了一个简单的群体形成模型的启发,在人类社会中的友谊形成过程,并通过模拟证明,各种非平凡的模式出现。在这项研究中,我们研究了所提出的模型的适用性,一群机器人系统。作为第一步,我们开发了五个机器人,并通过真实世界的实验证明,模拟结果可以在很大程度上重现。
2018-08-11 cs.RO
Collisionless Pattern Discovery in Robot Swarms Using Deep Reinforcement Learning
Louisiana State University(路易斯安那州立大学);Kent State University(肯特州立大学)
我们提出了一个基于深度强化学习的框架,用于自动发现脂肪机器人群的任何给定初始配置中可用的模式。特别是,我们模型的问题,无碰撞收集和相互可见性的脂肪机器人群,并发现使用我们的框架来解决它们的模式。我们表明,通过基于某些约束(如相互可见性和安全接近度)塑造奖励信号,机器人可以发现无碰撞的轨迹,从而形成良好的聚集和可见性模式。
2022-09-20 cs.RO
Socially Inspired Communication in Swarm Robotics
University of Minnesota(明尼苏达大学)
群体中的局部通信已被证明在某些情况下通过允许额外的合作机会来提高群体的有效性。然而,交流和利用可能过时的信息也是一个令人关切的问题。我们提出了一个明确的非定向的基于目标的通信模型和消息接受/拒绝计划,并测试我们的模型在一组对象收集实验与一群机器人。实验的结果表明,即使是低水平的沟通群体的目标优于高水平的随机信息沟通。
2019-06-03 cs.RO
Swarm Oracle: Trustless Blockchain Agreements through Robot Swarms
Swarm Oracle: Trustless Blockchain Agreements through Robot Swarms
本文提出 Swarm Oracle,一种由多利益相关方自主机器人群体构成的去中心化预言机网络,利用拜占庭容错协议和基于区块链代币的声誉系统,在对抗攻击下实现无信任的现实世界数据共识并自主恢复。
2025-09-19 cs.RO
Securing emergent behaviour in swarm robotics
University of Surrey(萨里大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
群机器人是研究如何设计大量相对简单的机器人,以便从机器人之间以及机器人与环境之间的局部交互中产生所需的集体行为。虽然一个群体的许多方面可以被建模为各种类型的ad hoc网络,因此,许多方面的安全的群体可以通过传统的手段来实现,在这里,我们将集中在群体的紧急行为,最区别于ad hoc网络的群体机器人。我们讨论了紧急行为对通信安全带来的挑战,并通过按机器人类型,通信渠道类型和对手类型对群进行分类,我们研究了哪些类别可以通过传统方法进行保护,并专注于与允许紧急行为最相关的方面。我们将研究如何通过确保通信安全来确保这一点。我们提出了一个简单的解决方案,使用散列链,并通过建模群通信使用一系列随机图,我们表明,这使我们能够识别流氓机器人的概率很高。
2021-02-05 cs.CR cs.RO
Mobility-Aware Computation Offloading for Swarm Robotics using Deep Reinforcement Learning
Xidian University(西安电子科技大学);Norfolk State University(诺福克州立大学)
针对群体机器人资源有限、规模受限的问题,提出基于边缘服务器侧移动感知深度强化学习的计算卸载方案,可在满足延迟要求的同时以最少机器人能耗保障计算精度。
2023-08-22 cs.LG cs.RO cs.SY
Mean-Shift Theory and Its Applications in Swarm Robotics: A New Way to Enhance the Efficiency of Multi-Robot Collaboration
Fellow, IEEE(IEEE会士);Life Fellow, IEEE(IEEE生命会士)
本文综述了群体机器人无分配协作的最新进展,重点介绍均值漂移探索策略如何将大规模群体形状形成效率提升数十倍,并展示其在智能仓储、区域探索和货物运输中的应用。
2025-11-07 cs.RO
Augmented Reality for Human-Swarm Interaction in a Swarm-Robotic Chemistry Simulation
University of Colorado at Boulder(科罗拉多大学博尔德分校)
我们提出了一种方法来注册一个机器人群体的个体成员在增强现实显示,同时显示有关群体动态的用户,否则将被隐藏的相关信息。同一群中的个体成员和集群通过它们的颜色来识别,并且通过以特定的时间间隔闪烁来识别,该时间间隔与它们的邻居闪烁的时间间隔不同。我们表明,这个问题是一个实例的图着色问题,它可以在O(log(n))的时间在分布式的方式解决。我们展示了我们的方法,使用群体化学模拟,其中机器人模拟单个原子,形成分子的化学规则。然后,使用增强现实来显示有关单个群成员的内部状态以及它们的拓扑关系(对应于分子键)的信息。
2019-12-02 cs.CV cs.RO
SwarmDiff: Swarm Robotic Trajectory Planning in Cluttered Environments via Diffusion Transformer
Department of Advanced Manufacturing and Robotics, College of Engineering, Peking University(先进制造与机器人系,工程学院,北京大学);Department of Computer Science, The University of Hong Kong(计算机科学系,香港大学)
针对杂乱环境中群体机器人轨迹规划的效率、扩展性与安全挑战,提出分层生成框架SwarmDiff,结合PDF建模、条件扩散、CVaR和DiT实现高效安全的轨迹规划,性能优于现有方法。
2025-05-21 cs.MA cs.RO
The Swarmathon: An Autonomous Swarm Robotics Competition
The University of New Mexico(新墨西哥大学);Florida Institute of Technology(佛罗里达理工学院);NASA Kennedy Space Center(美国国家航空航天局肯尼迪航天中心);Santa Fe Institute(圣达菲研究所)
Swarmathon是一个群体机器人编程挑战,吸引了来自NASA火星之旅少数民族服务机构的大学生。参赛队伍通过编程一组机器人在收集区搜索、拾取和放下资源来进行竞争。Swarmathon为机器人群生产原型,这些机器人群将在火星表面收集资源。机器人完全自主运行,没有全局地图,每个团队的算法必须足够灵活,以有效地从各种未知分布中找到资源。Swarmathon包括物理和虚拟比赛。物理竞赛者在他们在学校建造的机器人上测试他们的算法;然后他们上传代码,在肯尼迪航天中心的户外竞技场进行为期三天的比赛,在相同的机器人上自主运行。虚拟竞争者在模拟中完成相同的挑战。参与者指导当地球队在一个单独的高中组比赛。在最初的两年里,有1,100多名学生参加。63%的学生来自代表性不足的民族和种族群体。参与者在兴趣和核心机器人能力方面都有显着的收获,这些能力在性别和种族群体中是等同的,这表明Swarmathon正在有效地教育未来机器人专家的多样化人群。
2018-05-21 cs.MA cs.RO
Informative Path Planning with Local Penalization for Decentralized and Asynchronous Swarm Robotic Search
University at Buffalo(布法罗大学)
分散式群机器人解决方案,以寻找目标,发射一个空间变化的信号承诺任务并行性,时间效率和容错。然而,群体算法在提供可扩展性和效率的同时,保持对所展示行为的数学见解是具有挑战性的。一种新的分散式搜索方法(称为贝叶斯群),建立在批量贝叶斯优化(BO)的原则,在这里提出,以解决这些挑战。与群算法不同,贝叶斯群算法简化了知识生成和任务规划过程,从而保留了对紧急行为的洞察。主要贡献在于:1)对轨迹上的知识提取进行建模,与BO中不同; 2)时间自适应地平衡探索/利用,并使用有效的局部惩罚方法来考虑不同机器人的计划样本之间的潜在交互;以及3)呈现算法的异步实现。该算法进行了测试的案例研究与双峰和高度多峰信号分布。与穷举搜索基线相比,效率提高了76倍。利用/探索平衡,异步规划,和本地惩罚,以及群大小的可扩展性的好处,也被证明。
2019-07-09 cs.AI cs.MA cs.RO
Buzz: An Extensible Programming Language for Self-Organizing Heterogeneous Robot Swarms
École Polytechnique de Montréal(蒙特利尔综合理工学院);Royal Melbourne Institute of Technology(皇家墨尔本理工大学)
我们提出了Buzz,一种新的程序设计语言的异构机器人群。Buzz提倡一种组合方法,提供原语来从单个机器人和整个群体的角度定义群体行为。单机器人原语包括机器人特定的指令和邻域数据的操作。基于群的原语允许机器人团队的动态管理,并在整个群中共享信息。自组织源于Buzz运行时平台所基于的完全去中心化的机制。该语言可以扩展以添加新的原语(从而支持异构机器人群),并且其运行时平台被设计为位于其他框架之上,例如机器人操作系统。我们展示了Buzz的功能,通过提供代码的例子,并分析了可扩展性和鲁棒性的运行时平台,通过现实的模拟实验与代表性的群体算法。
2015-08-01 cs.MA cs.PL cs.RO
Diffusion of Information in Robot Swarms
Institute of Parallel and Distributed Systems, University of Stuttgart(斯图加特大学并行与分布式系统研究所)
这项工作致力于通信方法,在机器人群中传播信息。这些机制对于大规模系统是有用的,并且对于当有限的通信设备不允许信息包的路由时的这种情况也是有用的。我们专注于两种方法,如虚拟领域和流行病的算法,讨论了硬件实现的几个方面,并演示了微型机器人“茉莉花”进行的实验。
2011-10-24 cs.RO
Infra-Swarm: Robust Vision-Based Multi-Robot Swarming via Near-Infrared Spectral Vision
Westlake University(西湖大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Zhejiang University(浙江大学)
研究针对分布式集群受带宽或环境限制问题,提出Infra-Swarm,通过机器人配备近红外光源和相机,利用光学耀斑测量邻居3D位置,借助窄带滤波器抗干扰,以最小计算开销实现集群大规模可扩展性。
2026-07-15 cs.RO
Predictive Fault Tolerance for Autonomous Robot Swarms
University of York(约克大学)
针对机器人集群故障显现后再处理的低效与安全风险,提出基于预防性维护的预测性容错方法,在故障演变为失效前自主检测并解决,实验表明可提升集群性能并避免机器人失效。
2023-09-17 cs.RO
Source-Seeking Problem with Robot Swarms
Universidad Complutense de Madrid(马德里康普顿斯大学)
提出一种仅依赖场强测量、适用于通用编队几何的机器人群体源搜索算法,可应对复杂动力学与动态成员变化,并经数值模拟验证。
2024-08-19 cs.RO
Adaptive Coordinated Motion Control for Swarm Robotics Based on Brain Storm Optimization
Southern University of Science and Technology(南方科技大学)
群体机器人的协调运动控制旨在确保空间中成员的一致性,即,群中的机器人执行协调运动以维持空间结构。这个问题可以建模为跟踪控制问题,其中群体中的个体在考虑特定的相对距离或方向的情况下跟随目标位置。为了降低通信开销,可以利用PID控制器在不需要先导速度信息的情况下实现先导-跟随跟踪控制任务。然而,控制器的参数需要进行优化,以适应情况的变化,如不同的群体人口,目标的变化被跟踪,和防碰撞的要求等,在这封信中,我们采用了一种改进的头脑风暴优化(BSO)算法的增量PID跟踪控制器,以获得相对最优的参数自适应的主从编队控制的群体机器人。仿真结果表明,该方法能够在机器人运动过程中达到最优参数。该方法具有灵活性和可扩展性,能够适应不同的应用场景,为群体机器人的协调运动控制提供了一种新的选择。
2021-05-27 cs.RO
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
Hearing the shape of an arena with spectral swarm robotics
Université Paris Cité(巴黎西岱大学);CNRS(法国国家科学研究中心);LIMMS (IRL2820)/CNRS-IIS(LIMMS(IRL2820)/法国国家科学研究中心-东京大学);University of Tokyo(东京大学);Sorbonne Université(索邦大学);Ochanomizu University(御茶水女子大学);Université Jean Monnet Saint-Étienne(圣艾蒂安让·莫内大学);Institut Universitaire de France(法国大学研究院)
引入谱群机器人技术,通过机器人扩散信息模拟拉普拉斯算子以“听到”竞技场谱并识别其形状,揭示了最优机器人数量与交互半径的缩放规律,并用 Kilobots 实验验证。
2026-10-23 cs.AI cs.CG cs.RO
DOTS: An Open Testbed for Industrial Swarm Robotic Solutions
University of Bristol(布里斯托大学);Toshiba Research(东芝研究院)
我们提出了DOTS,一个新的开放获取的测试平台,用于工业群体机器人实验。它由20个快速敏捷的机器人组成,具有高传感和计算性能,以及真实世界的有效载荷能力。他们被安置在一个配备私人5G,动作捕捉,多个摄像头的竞技场中,并通过在线门户网站开放访问。我们通过提供一个完整的平台无关的管道来开发,模拟和部署实验应用程序到群,从而降低了进入门槛。我们通过一个集群物流应用展示了测试平台的功能,可以自主可靠地搜索和检索多个货运承运人。
2022-03-25 cs.RO
PuzzleBots: Physical Coupling of Robot Swarms
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
机器人群已经被证明可以通过机器人间的协作来提高单个机器人的能力。在本文中,我们提出了PuzzleBots -一个低成本的机器人群体系统,机器人可以物理上相互耦合,形成功能结构,以最小的能量消耗,同时保持个人的流动性,在环境中导航。每个机器人都有旋钮和孔沿其身体的两侧,使机器人可以通过插入旋钮到孔耦合。我们提出了表征旋钮设计和多达九个机器人的间隙交叉行为的结果。我们用硬件实验表明,机器人能够相互耦合以跨越间隙,并解耦以执行单独的任务。我们预计PuzzleBots将在非结构化环境中作为个人和耦合系统在现实世界中的应用是有用的。
2022-02-06 cs.RO
Swarm-Enabling Technology for Multi-Robot Systems
Singapore University of Technology and Design(新加坡科技设计大学);Massachusetts Institute of Technology(麻省理工学院)
近年来,群机器人技术经历了快速的发展,主要是由专门的多机器人系统开发,以实现专门的集体行动。这些专门的平台通常在前面和中心设计有群集考虑。群集所需的关键硬件和软件元素通常深度嵌入并与特定系统集成。然而,鉴于低成本移动机器人数量的明显增加,从业者和爱好者可能会开始考虑通过最低限度地改造这种移动平台来组装成熟的集群。在这里,我们报告了这种技术的一个可能的实施例,该技术旨在使组装和研究群集在一系列通用机器人系统。这是通过将模块化和可转移的软件工具箱与由低成本和现成组件组成的硬件套件相结合来实现的。所开发的技术可以移植到相对广泛的机器人平台上,只需最小的更改和高水平的可扩展性。这群使能技术已成功地实现了两个不同的分布式多机器人系统,一群移动海洋浮标和一组商业陆地机器人。我们已经测试了这两个分布式机器人系统在执行集体探索和搜索的情况下,以及其他经典的合作行为的有效性。不同的群体行为的实验结果报告的两个平台在不受控制的环境中,没有任何支持的基础设施。相关软件库的设计允许无缝切换到其他合作行为,并且还提供了在平台上实现新设计的集体行为之前模拟它们的可能性。
2017-05-11 cs.RO
Configuration Control for Physical Coupling of Heterogeneous Robot Swarms
Carnegie Mellon University(卡内基梅隆大学)
在本文中,我们提出了一个异构的机器人群体系统,可以相互耦合,形成功能结构和动态解耦,以执行个别任务。机器人之间的连接可以通过被动耦合机制形成,确保耦合和解耦行为期间的最小能耗。系统的异质性使机器人能够根据特定的环境要求执行结构增强配置。我们提出了一个面向连接对的配置控制算法,以形成不同的装配体。我们展示了多达九个机器人执行耦合,间隙交叉和解耦行为的实验。
2022-03-01 cs.RO
Hierarchies define the scalability of robot swarms
Polytechnique Montreal(蒙特利尔理工学院);University of Cambridge(剑桥大学)
本文通过仿真与物理实验证明,相比平等主义集群,层级化集群能以更少资源在更大、更复杂环境中高效扩展感知范围,为行星探索和自动驾驶等应用提供可扩展的集群设计依据。
2024-05-03 cs.RO
Music-driven Robot Swarm Painting
Department of Electrical and Computer Engineering, University of Waterloo(电气与计算机工程系,滑铁卢大学)
本文提出一种新颖的机器人集群控制框架,利用异构覆盖策略将音乐输入转化为绘画,并在仿真和配备LED灯的真实机器人上验证了其光绘有效性。
2025-05-31 cs.RO
ColCOS$Φ$: A Multiple Pheromone Communication System for Swarm Robotics and Social Insects Research
University of Lincoln(林肯大学);Guangzhou University(广州大学)
在过去的几十年里,我们目睹了社会昆虫的信息素如何成为群体机器人的丰富灵感来源。通过利用物理群体机器人系统中的虚拟信息素来协调个体并实现像社会昆虫一样的机器人之间的直接/间接通信,出现了污名行为。然而,许多研究只考虑一个单一的信息素在解决群体问题,这是不是真正的昆虫的情况。在真实的社会性昆虫世界中,不同种类的信息素及其相互作用指导着昆虫的多样性行为、复杂的集体行为以及从一种状态到另一种状态的灵活转换。因此,基于多种信息素的策略是否能启发群体机器人的研究,以及受多种信息素控制的群体机器人的行为如何为解释社会性昆虫的行为带来启发,将成为一个有趣的问题。因此,为了提供一个可靠的系统来进行多信息素的研究,在本文中,我们专门提出并实现了一个多信息素通信系统称为ColCOS $Φ$。该系统包括一个虚拟信息素子系统,其中的多种信息素是由一个彩色图像显示在屏幕上,和微型机器人平台设计的群体机器人应用。通过两个实例验证了该系统的有效性:一个是基于蚂蚁饲料的多种信息素,另一个是聚集和报警信息素的相互作用。实验结果证明了ColCOS $Φ$模型的可行性及其在指导群体机器人和社会性昆虫研究中的巨大潜力。
2019-06-05 cs.RO
Swarming of Aerial Robots with Markov Random Field Optimization
Indiana University(印第安纳大学)
群体是一种非常强大的系统,与其替代品相比具有独特的优势。在这项工作中,我们提出了一个生物启发和人工势场驱动的机器人群体控制方法,其中的群体形成动力学建模的基础上马尔可夫随机场(MRF)优化。我们将内部智能体的局部相互作用和外部环境影响整合到MRF中。在轨迹的不同阶段的优化编队配置可以被视为编队“形状”,这进一步允许我们集成的动态约束的运动控制的机器人。我们表明,这种方法可以用来生成动态可行的轨迹导航团队的空中机器人在复杂的环境中。
2020-10-22 cs.MA cs.RO
End-to-End Design for Self-Reconfigurable Heterogeneous Robotic Swarms
University of Turku(图尔库大学);Aalto University(阿尔托大学)
更广泛的应用需要机器人群在现实世界的应用中更加灵活。在需要实时处理大量数据和高度态势感知的复杂场景中,仍然存在多种挑战。在这个方向上的选择是有限的,在现有的机器人群,大多是同质的机器人有限的操作和重新配置的灵活性。我们通过将弹性计算技术和动态资源管理从边缘云计算领域引入群机器人领域来解决这个问题。这使得群体中的集体能力的动态供应能够用于不同的应用。因此,我们将群转换为能够执行复杂数据处理任务的分布式传感和计算平台,然后可以将其作为服务提供。特别是,我们讨论了如何将其应用于自适应资源管理的异构群的无人机,以及我们如何实现分布式数据处理算法的动态部署。通过构建在可重构硬件和容器化服务上的弹性无人机群,将有可能提高异构机器人群的自我意识、智能程度和自主水平。我们描述了新的方向合作的看法,和新的方式与机器人群体的互动。
2020-04-29 cs.DC cs.MA cs.RO