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
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
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
Swarm Engineering Through Quantitative Measurement of Swarm Robotic Principles in a 10,000 Robot Swarm
University of Minnesota（明尼苏达大学）
在设计群机器人系统时，需要对来自不同领域的算法进行系统比较，以确定哪种算法能够扩展以处理目标问题大小和目标操作条件。我们提出了一套量化的可扩展性，灵活性和紧急性，能够解决这些需求在系统设计过程中的指标。我们证明了我们提出的指标作为设计工具的适用性，通过解决一个大的对象收集问题，在随时间变化的操作条件下，使用迭代假设评估。我们提供了超过10，000个机器人的群集模拟实验结果。
2019-07-08 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
Chemotaxis Based Virtual Fence for Swarm Robots in Unbounded Environments
University of Leeds（利兹大学）
本文提出了一种新的群体机器人应用的趋化性行为观察微生物。这种方法是用来使探索机器人返回到一个工作区周围的蜂群巢穴在一个无限的环境。我们调查我们的算法的性能，通过广泛的仿真研究和硬件验证。结果表明，趋化性方法是有效的，保持群体接近静止和移动的巢。这些结果与不切实际的情况下，边界墙被用来保持在一个目标搜索区域内的群体的性能比较表明，我们的趋化性的方法产生了竞争力的结果。
2019-06-18 cs.MA cs.RO
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
Towards a Formal Specification for Self-organized Shape Formation in Swarm Robotics
Computer Science Department, COMSATS Institute of Information Technology, Islamabad, Pakistan（计算机科学系，COMSATS信息科技学院，伊斯兰堡，巴基斯坦）
针对群体机器人自组织形状形成过程缺乏形式化规范建模的问题，采用基于状态的Z语言对系统实体状态建模，验证了其有效性，为相关系统设计和多智能体仿真建模提供了基础。
2025-06-16 cs.AI cs.RO
ROS2swarm - A ROS 2 Package for Swarm Robot Behaviors
Institute of Computer Engineering, University of Lübeck（吕贝克大学计算机工程学院）；Institute of Robotics, University of Lübeck（吕贝克大学机器人学院）
针对群体机器人软件开发难、硬件平台多样且依赖机器人间通信的问题，本文提出 ROS 2 软件包 ROS2swarm，提供可直接使用的群体行为原语库，并在三种机器人平台上验证其可维护性与可扩展性。
2024-05-03 cs.MA cs.RO
Emotional Metaheuristics For in-situ Foraging Using Sensor Constrained Robot Swarms
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Indian Institute of Science（印度科学学院）
我们提出了一种新的社会动物启发的情感群体智能技术。这种技术被用来解决一个流行的集体机器人问题的变体，称为觅食。我们通过模拟研究展示了基于饥饿和孤独等感觉的简单交互规则如何导致全局一致的涌现行为，从而使传感器受限的机器人能够解决给定的问题
2019-06-27 cs.AI cs.RO
Swarmrobot.org - Open-hardware Microrobotic Project for Large-scale Artificial Swarms
Institute of Parallel and Distributed High-Performance Systems（并行与分布式高性能系统研究所）；University of Stuttgart（斯图加特大学）
本文的目的是给一个概述的开放硬件microrobotic项目swarmrobot.org和平台茉莉花建立大规模的人工蜂群。该项目的目标是开放式开发具有成本效益的硬件和软件，以快速实现真实机器人的群体行为。制作机器人的详细说明，开源模拟器，软件库和有关执行实验的多个出版物已准备好供下载，旨在促进集体和涌现现象的探索，引导自组织和实验方式的群体机器人。
2011-10-26 cs.MA cs.RO
GenGrid: A Generalised Distributed Experimental Environmental Grid for Swarm Robotics
IIIT-Bangalore（班加罗尔印度理工学院）
GenGrid是一种低成本、模块化的开源分布式实验环境网格平台，兼容多种移动机器人，支持双向通信与数据采集，能以最少资源运行多种群体机器人实验，突破了商业平台难以修改的局限。
2025-04-24 cs.MA cs.RO
Communication-Efficient Reinforcement Learning in Swarm Robotic Networks for Maze Exploration
University of Georgia（佐治亚大学）
本文提出一种通信高效的去中心化协作强化学习算法，通过分层局部信息交换协调群体机器人进行迷宫探索，在通信退化环境下显著提升覆盖精度与效率并降低成本。
2023-05-26 cs.AI cs.MA cs.NI
Maximizing Energy Battery Efficiency in Swarm Robotics
University of Minnesota（明尼苏达大学）
小型化和成本是群体机器人的两个主要吸引力因素，促使其在物体收集任务，搜索和救援任务以及其他应用中作为解决方案使用。然而，在目前的文献中，只有少数论文考虑的能量分配效率在一个群体。一般来说，机器人每次都无条件地充电到最大水平，并且不包含对下一个任务所需能量的估计。在本文中，我们提出了一种能源效率最大化的方法，最大限度地减少了群体内的整体能源成本，同时最大限度地提高群体的性能上的对象收集任务。该方法利用电池上限和下限的动态阈值。该方法还显示出提高了现有能量管理方法的效率。
2019-06-05 cs.MA cs.RO
Towards Decentralized Human-Swarm Interaction by Means of Sequential Hand Gesture Recognition
Arizona State University（亚利桑那州立大学）；BASIS（贝赛思）
在这项工作中，我们提出了一种新的方法的初步工作，人群交互（HSI），可用于改变一群机器人的宏观行为与分散的传感和控制。通过集成一个小而有能力的手势识别卷积神经网络（CNN）与下一代机器人操作系统\emph{ros2}，它使分散的实现多机器人应用程序的机器人软件，我们证明了编程一群机器人识别和响应一系列的手势，能够对应于不同类型的群体行为的可行性。我们测试我们的方法使用一系列的手势，修改目标机器人之间的距离在一组三个Turtlebot3汉堡机器人，以防止机器人碰撞障碍物。该方法在三个不同的露台模拟环境和物理试验台，再现的模拟环境之一进行了验证。
2021-02-04 cs.MA cs.RO
From Motions to Emotions: Can the Fundamental Emotions be Expressed in a Robot Swarm?
Georgia Institute of Technology（佐治亚理工学院）
本文探讨了一群微型移动机器人的表达能力的上下文中的机器人之间的相互作用和映射到所谓的基本情感。特别是，我们研究如何运动和形状的描述符，心理上与不同的情绪可以被纳入不同的群体行为的艺术博览会的目的。基于社会心理学的这些特征，创建了一组群体行为，其中每个行为对应于一种基本情感。这些行为的有效性进行了评估，在调查中，参与者被要求将不同的群体行为与基本情绪。调查结果表明，大多数研究参与者分配给每个视频的情感打算通过设计来描绘。这些结果证实，抽象的描述符与社会心理学中的不同的基本情感提供了有用的运动表征，可以有效地转化为一群简单的地面移动机器人的表达行为。
2020-03-03 cs.MA 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
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
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
Frontier-led Swarming: Robust Multi-Robot Coverage of Unknown Environments
University of New South Wales（新南威尔士大学）
本文提出了一种新型的基于群的控制算法，用于探索和覆盖未知环境，同时保持允许短程通信的队形。该算法结合了两个要素：群体规则，以保持紧密结合的形成和前沿搜索驾驶探索和覆盖。受自然系统的启发，其中大量的简单代理（例如，成群的鱼、成群的鸟、成群的昆虫）为了效率和安全而执行复杂的集体行为，第一个元素使用三个简单的规则来维持群体的形成。第二个元素提供了一种方法来选择有前途的地区探索（和覆盖），通过最小化成本函数，涉及机器人的相对距离前沿细胞和前沿的大小。我们测试了我们的方法在不同环境中的异构和同质的移动机器人组的性能。我们衡量的覆盖性能和群体形成的统计数据作为指标的机器人的能力，有效地探索，同时保持有利于短距离通信的形成。通过一系列的比较实验，我们证明了我们提出的策略具有优越的性能，最近提出的地图覆盖方法和传统的群集方法。
2022-01-25 cs.MA cs.RO
Swarming Without an Anchor (SWA): Robot Swarms Adapt Better to Localization Dropouts Then a Single Robot
Czech Technical University in Prague（捷克技术大学）；University of Klagenfurt（克雷格福特大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；New York University Abu Dhabi（纽约大学阿布扎克分校）；Dubai Future Labs（迪拜未来实验室）
本文提出SWA方法，通过去中心化状态估计与相互感知融合，使无人机集群在自身定位丢失时仅靠相对信息维持稳定和速度一致，并通过仿真与实机实验验证其有效性。
2025-08-22 cs.MA 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
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
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
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
Technical Problems With "Programmable self-assembly in a thousand-robot swarm"
COMSATS Institute of IT（COMSATS 信息技术学院）
Rubenstein等人提出了一个有趣的可编程自组装结构形成系统，使用1000 Kilobot机器人。这篇论文声称，除了高度鲁棒性之外，还可以推进人工群体的工作，类似于自然系统的能力。然而，该系统缺乏与孔匹配的运动性和复杂形状，从而限制了与生命系统中自组装的实际相似性。
2017-08-10 cs.AI cs.MA 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
Simple Swarm Foraging Algorithm Based on Gradient Computation
University of Leeds（利兹大学）
群体觅食是多机器人系统的常见测试用例应用。在本文中，我们提出了一种新的算法，用于控制群机器人有限的通信范围和存储容量，有效地搜索和检索目标在一个未知的环境。在我们的方法中，机器人使用随机行走搜索，并根据它们从其他机器人感知到的吸引和排斥信号调整它们的转弯概率。我们比较了我们的算法与五种不同的变化，反映了缺乏或存在的吸引力和/或排斥的通信信号。我们的研究结果表明，当两个信号都被机器人用于通信时，可以实现最佳性能。此外，我们通过硬件实验表明，我们在仿真中使用的通信模型可以实现真正的机器人。
2019-06-17 cs.MA cs.RO
Autonomous Robotic Swarms: A Corroborative Approach for Verification and Validation
University of Bristol（布里斯托尔大学）；The University of Manchester（曼彻斯特大学）
针对自主机器人集群涌现行为的安全保证难题，提出一种结合宏观形式化建模、低保真与高保真仿真及真实机器人实验的印证式验证与确认方法，以增强证据可信度。
2025-02-28 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
Voluntary Retreat for Decentralized Interference Reduction in Robot Swarms
Georgia Institute of Technology（佐治亚理工学院）
在密集的机器人群中，空间干扰--表现为对物理空间的竞争--迫使机器人花更多的时间在彼此之间导航，而不是执行主要任务。本文提出了一种分散式算法，使个体机器人能够决定是否留在该区域并为整体任务做出贡献，或者腾出该区域，以减少干扰对群体整体效率的负面影响。我们开发这种算法的背景下，分布式收集任务，其中一组机器人收集和存放对象从一组位置到另一个在给定的区域。机器人不进行交流，只使用关于周围其他机器人存在的二进制信息来决定留下或撤退。我们说明了一个团队的真实机器人的实验算法的有效性。
2019-03-10 cs.MA cs.RO
Learning Robot Swarm Tactics over Complex Adversarial Environments
University at Buffalo（布法罗大学）
为了在现实世界中完成复杂的群体机器人任务，需要规划和执行单个机器人行为，组原语（如任务分配，路径规划和编队控制）和特定任务目标（如目标搜索和组覆盖）的组合。大多数此类任务都是由机器人专家团队手动设计的。最近的工作在自动化方法来学习群体行为已被限制到个别原语稀疏的学习完成任务的工作。本文提出了一种系统的方法来学习战术任务的特定政策，组成一个群体的原语，以有效地完成任务，使用特殊的输入和输出编码的神经网络。为了在对抗性环境中学习群体策略，我们采用了以下组合：1）地图到图形抽象，2）通过Pareto兴趣点过滤和机器人聚类进行输入/输出编码，以及3）通过神经进化和策略梯度方法进行学习。我们说明了这种组合的关键提供易于处理的学习，特别是考虑到这种规模和复杂性的模拟群任务的计算成本。成功完成任务的结果证明了多达60个机器人。此外，在训练和测试场景中的性能统计数据的密切匹配显示了所提出的框架的潜在的普遍性。
2021-09-13 cs.MA cs.RO
A Scalable and Adaptable Multiple-Place Foraging Algorithm for Ant-Inspired Robot Swarms
University of New Mexico（新墨西哥大学）；Santa Fe Institute（圣塔菲研究所）
单个机器人在探索大片未绘制地图的区域时效率不高。另一种方法是使用一群简单的机器人一起工作，而不是一个高能力的机器人。中心地觅食算法（CPFA）是协调机器人群体搜索和收集任务的有效方法。机器人从中心位置（巢穴）开始，在没有全局定位或中央控制的情况下探索该区域的潜在目标，并将目标返回巢穴。CPFA的可扩展性是有限的，因为大量的机器人产生更多的机器人间的碰撞和大的搜索区域导致大量的旅行成本。我们解决这些问题的多地觅食算法（MPFA），它使用多个巢分布在整个搜索区域。机器人从一个随机分配的巢穴开始，但会带着找到的目标返回最近的巢穴。我们在机器人仿真器ARGoS中模拟了机器人群体的觅食行为，并采用遗传算法发现不同的优化觅食策略作为群体规模和目标数量的比例增加。在我们的实验中，MPFA总是产生更高的觅食率，更少的碰撞，和更低的旅行和搜索时间相比，CPFA的部分聚类目标分布。本文的主要贡献是，我们系统地量化的优点MPFA（减少旅行时间和碰撞），潜在的缺点（机器人之间的通信较少），和遗传算法的能力，调整MPFA参数，以减轻搜索效率低下，由于通信较少。
2016-12-01 cs.MA 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
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
Strategic Sacrifice: Self-Organized Robot Swarm Localization for Inspection Productivity
针对机器人集群巡检中定位计算开销大限制生产力的问题，提出受生物启发的自组织牺牲协同定位机制，由少数智能体承担计算负担以提升整体巡检效率，并通过理论和实验验证了其最优性与鲁棒性。
2024-11-14 cs.MA 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
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
Roborobo! a Fast Robot Simulator for Swarm and Collective Robotics
UPMC（巴黎第六大学）；CNRS（法国国家科学研究中心）；NTNU（挪威科技大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
机器人是一个多平台，高度便携式，机器人模拟器的大规模集体机器人实验。机器人是用C++编写的，遵循KISS准则（“保持简单”）。因此，它的外部依赖性仅限于用于快速2D图形的广泛可用的SDL库。机器人基于Khepera/ePuck模型。它的目标是快速的单机器人和多机器人仿真，并已被用于十几个已发表的研究，主要涉及进化群体机器人，包括环境驱动的自适应和分布式进化优化，以及在线板载体现进化和体现形态发生。
2013-04-10 cs.AI cs.NE 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
Decentralized Connectivity-Preserving Deployment of Large-Scale Robot Swarms
Worcester Polytechnic Institute（伍斯特理工学院）；École Polytechnique Montréal（蒙特利尔工程学院）
我们提出了一个分散的和可扩展的方法部署的机器人群。我们的方法解决的情况下，群体必须达到多个空间分布的目标，并强制执行的约束，机器人网络不能分裂。我们工作背后的基本思想是在机器人形成的物理网络上构建一个逻辑树拓扑。逻辑树充当机器人用来强制连接约束的主干。本文研究并比较了两种构造逻辑树的算法：向外构造和向内构造。这些算法的不同之处在于机器人加入树的顺序：向外算法从树根开始并向目标生长，而向内算法以相反的方式进行。这两种算法都执行周期性的重新配置，以防止次优拓扑停止树的生长。我们的贡献是：（一）两种算法的制定;（二）在广泛的基于物理的模拟算法的比较;（三）通过真实的机器人实验验证我们的研究结果。
2018-06-01 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
SwarmCoDe: A Scalable Co-Design Framework for Heterogeneous Robot Swarms via Dynamic Speciation
Department of Mechanical Engineering, École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院洛桑分校机械工程系）
本文提出SwarmCoDe框架，通过动态种群划分自动扩展机器人群异质性以匹配任务复杂度，实现大规模异构机器人群的协同设计优化。
2026-10-30 cs.MA cs.NE cs.RO
Non-Uniform Robot Densities in Vibration Driven Swarms Using Phase Separation Theory
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机器研究所，佐治亚理工学院）；Texas A&M University（得克萨斯农工大学）
在高度受限的传感和通信约束下运行的机器人群中，个体可能需要使用直接的物理接近来促进信息交换。然而，在某些与任务相关的场景中，这一要求可能与机器人在环境中展开的需要相冲突，例如，用于分布式传感或监视应用。本文演示了如何一群最小装备的机器人可以形成高密度的机器人聚集体，与较低的机器人密度共存的域。我们设想一个场景，一群振动驱动的机器人-它们坐在鬃毛上，通过振动它们来实现定向运动-在环境中随机移动，同时相互碰撞。从研究远离平衡集体和统计力学的理论技术阐明了这些高密度和低密度区域形成的机制。具体来说，我们利用一个转换，连接的集体性质的系统的自推进粒子与一个研究充分的分子流体系统，从而继承了丰富的理论平衡热力学。这种联系是一个正式的，是一个相对较新的结果，在运动诱导相分离的研究，这是以前未探索的背景下，机器人。真实的机器人实验以及模拟说明了机器人之间的碰撞可以沉淀形成的非均匀的机器人密度在一个封闭的和有界的区域。
2019-03-02 cs.MA 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
Emergent naming conventions in a foraging robot swarm
Université Libre de Bruxelles（布鲁塞尔自由大学）；University of Sheffield（谢菲尔德大学）；Italian National Research Council（意大利国家研究委员会）
在这项研究中，我们调查的命名约定出现在一群机器人，集体觅食，也就是说，收集资源，从多个来源的环境。在觅食时，蜂群探索环境，并就如何利用可用资源做出集体决定，要么选择单一来源，要么同时利用多个来源。与此同时，机器人在本地交换消息，以便就如何命名每个源达成一致。在这里，我们研究了任务诱发的互动网络和紧急命名约定之间的相关性。特别是，我们的目标是确定是否互动网络的动态足以确定一个新兴的词汇，这是潜在的有用的机器人群。语言惯例要发挥作用，就必须是紧凑的和有意义的，也就是说，必须是对环境和集体决策的相关特征的最低限度的描述。我们发现，为了获得一个有用的词汇，任务依赖的交互网络本身是不够的，但它必须结合语言和觅食动态之间的相关性。在这些结果的基础上，我们提出了一个分散的集体分类算法，使群体实现一个有用的-紧凑和有意义的-命名的所有可用的来源。了解有用的语言惯例如何出现有助于设计具有潜在改进的自主性，灵活性和自我意识的机器人群。
2022-05-02 cs.MA cs.RO
The blockchain: a new framework for robotic swarm systems
MIT Media Lab（麻省理工学院媒体实验室）
大批机器人将彻底改变许多工业应用，从有针对性的材料交付到精准农业。然而，几个异构的特点，使他们理想的某些未来的应用-机器人自主性，分散控制，集体涌现行为等-阻碍了技术的发展，从学术机构到现实世界的问题。区块链是一种起源于比特币领域的新兴技术，它表明，通过将点对点网络与加密算法相结合，一组代理可以就特定的事务状态达成协议，并记录该协议，而无需控制机构。区块链与其他分布式系统（如机器人群系统）的结合可以提供必要的能力，使机器人群操作更加安全，自主，灵活，甚至有利可图。这项工作解释了区块链技术如何为群体机器人研究领域的四个紧急问题提供创新解决方案。通过提供案例场景和实例，描述了群机器人系统的新的安全性、决策、行为区分和商业模型。最后，限制和可能出现的问题，从这两种技术的组合进行了说明。
2017-06-25 cs.DC cs.ET cs.MA
Anticipating Degradation: A Predictive Approach to Fault Tolerance in Robot Swarms
Department of Computer Science, University of York（约克大学计算机科学系）
本文提出基于预测性维护的机器人群体容错新方法，在故障显现前解决潜在问题，与反应式方法相比，在几乎所有测试案例中性能相当或更优。
2025-08-12 cs.MA 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
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
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
