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
An Upper Confidence Bound for Simultaneous Exploration and Exploitation in Heterogeneous Multi-Robot Systems
University of Technology Sydney（悉尼科技大学）；Defence Science and Technology Group（国防科技集团）；Mission Systems Pty. Ltd.（任务系统私人有限公司）
异构多机器人系统对于未知环境中的操作是有利的，因为功能专用的机器人可以收集环境信息，而其他机器人执行任务。我们将这种分解定义为侦察任务机器人架构，并展示了它如何避免明确平衡探索和开发的需要，允许系统同时进行。挑战在于以一种能够提高限时任务整体性能的方式来指导探索。我们推导出一个新的置信度上界，同时探索和开发的基础上的互信息和侦察任务协调使用分散的蒙特卡罗树搜索提出了一个通用的解决方案。我们评估了我们的算法在多无人机监视场景中的性能，其中侦察机器人配备了低分辨率的远程传感器，任务机器人使用短程传感器捕获详细信息。结果解决了一类新的协调问题的异构团队，有许多实际应用。
2021-05-13 cs.RO
RANT: Ant-Inspired Multi-Robot Rainforest Exploration Using Particle Filter Localisation and Virtual Pheromone Coordination
RANT通过粒子滤波定位和虚拟信息素协调，实现多机器人在嘈杂环境中的高效雨林探索，提升热点识别与地图构建效率。
2026-02-10 cs.RO
Multi-Robot Gaussian Process Estimation and Coverage: A Deterministic Sequencing Algorithm and Regret Analysis
Michigan State University（密歇根州立大学）
我们研究的问题，分布式多机器人覆盖在一个未知的，不均匀的感觉领域。作为一个实现的高斯过程和贝叶斯技术建模的感觉场，我们设计了一个政策，旨在平衡学习的感觉功能和覆盖的环境之间的权衡。我们提出了一种自适应覆盖算法，称为学习和覆盖的确定性排序（DSLC），它可以安排学习和覆盖时期，使其重点逐渐从探索转移到利用，同时永远不会完全停止学习。使用一种新的定义的覆盖遗憾的特点的整体覆盖性能的多机器人团队在一个时间范围$T$，我们分析DSLC提供一个上限预期的累积覆盖遗憾。最后，我们说明了该算法的经验性能，通过模拟的覆盖任务在一个未知的野火分布。
2021-06-01 cs.RO cs.SY eess.SY
Mobility-Budget-Constrained Submodular Maximization for Distributed Semantic Multi-Robot Exploration
Institute of Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）
本文提出结合Dirichlet映射、RAG协调的分布式语义探索框架，在多机器人探索中平衡信息增益与可达性，实验显示其覆盖、语义精度最优且符合移动预算约束。
2026-10-14 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
Optimal Planning for Multi-Robot Simultaneous Area and Line Coverage Using Hierarchical Cyclic Merging Regulation
Department of Mechanical and Aerospace Engineering, Rutgers University（机械与航空航天工程系，罗格斯大学）；Department of Mechanical Engineering, Binghamton University（机械工程系，宾州大学布林茅尔分校）
针对多机器人同时覆盖线性特征与区域的双重覆盖问题，提出基于分层循环合并调控（HCMR）的最优规划算法，通过莫尔斯理论简化求解，显著缩短路径长度并减少任务时间。
2025-08-07 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
OpenSpace Lab Solution to the IROS 2026 Indoor Exploration Competition
China University of Mining and Technology-Beijing（中国矿业大学（北京））；Macau University of Science and Technology（澳门科技大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Shenzhen University（深圳大学）；Technical University of Munich（慕尼黑工业大学）
针对IROS 2026室内探索竞赛，提出基于预训练地图补全与剩余时间策略的单机器人探索，及效用驱动的多机器人协调方法，获公开赛道第一、私有赛道第三。
2026-10-02 cs.RO
Decentralized Simultaneous Multi-target Exploration using a Connected Network of Multiple Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；CNRS（法国国家科学研究中心）；Irisa（法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心）；Inria Rennes Bretagne Atlantique（法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心）；Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）；LAAS（LAAS分析及系统架构实验室）；Univ de Toulouse（图卢兹大学）
提出了一种新的多机器人系统的分散控制策略，使并行多目标探索，同时确保在混乱的三维环境中的时变连接拓扑结构。灵活的连续连接是通过建立在最近的连接维护方法，其中有限的范围，视线的可见性，并同时考虑到避免碰撞。通过动态分配机器人在探测任务中的不同运动行为，保证了分散式多目标探测算法的完备性。一个主要群组基于当前领导者的行进效率以及行进力与连接力之间的方向对准而经受主行进力的适当缩减。这有助于领导者始终达到当前目标，并在更大的时间范围内，整个团队在有限的时间内实现整体任务。通过对多架四旋翼无人机的蒙特卡罗仿真，验证了该方法的可扩展性和有效性，并通过实验验证了其实用性。
2017-03-16 cs.RO
Cooperative Risk-Aware Exploration in Heterogeneous Multi-Robot Systems Using Algorithmic Altruism
School of Electrical and Computer Engineering at Oklahoma State University（俄克拉荷马州立大学电气与计算机工程学院）；Instituto Tecnológico de Aeronáutica（航空技术研究所）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
该研究针对异构多机器人系统，提出基于算法利他主义的博弈论框架，通过社会纳什均衡调整效用实现风险合理分配，减少冗余探索并提升团队性能，经仿真与硬件实验验证有效。
2026-08-31 cs.RO
An Extended Consideration of Joint Exploration and Tracking: JET
传统上，一组智能体的自主探索和多目标跟踪被认为是两个独立但相关的问题，通常分两个阶段解决：探索阶段和跟踪阶段。探索问题通常是通过一个信息理论框架来看待的，在这个框架中，机器人代理试图收集尽可能多的关于环境或感兴趣对象（OI）的信息。相反，跟踪问题试图随着时间的推移保持关于OI的精确位置信息。这项工作提出了一个单一的框架，使多机器人多目标的问题，同时解决。一个分层的架构是用来协调机器人代理在跟踪多个OI，同时允许任务保持计算效率。这项工作的主要贡献是对跟踪的OI的协方差的概率约束，保证整个任务的跟踪性能。新OI的自动发现，无缝过渡到对发现的OI的有保证的跟踪，以及探索与跟踪要求的自动平衡。
2017-05-18 cs.RO
SPACE: Swarm Pheromone Fields for Adaptive Collision-Aware Exploration
Department of Electronic Engineering, Tsinghua University（清华大学电子工程系）；School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）
针对大规模地面机器人群体在拥挤环境中探索时的安全-效率权衡问题，提出SPACE方法，通过维护吸引前沿信息素、排斥探索信息素和快速机器人密度场实现去中心化协调，在真实建筑平面图上将碰撞率降低4-17倍，覆盖时间仅增加约2%。
2026-10-19 cs.RO
Failure-Resilient Coverage Maximization with Multiple Robots
University of Maryland College Park（马里兰大学帕克分校）
使用多个机器人最大化覆盖范围的任务有几个应用，如监视，探索和环境监测。在实际场景中部署这种多机器人系统的主要挑战是确保对机器人故障的弹性。最近的一项工作介绍了弹性覆盖最大化（RCM）问题，其目标是最大限度地提高子模块覆盖效用时，机器人受到对抗攻击或失败。RCM问题是一个NP难问题。本文提出了两种求解RCM问题的近似算法，即有序贪婪算法（OrG）和局部搜索算法（LS）。这两种算法在准确性和运行时间方面都优于最先进的解决方案。为了证明我们提出的解决方案的有效性，我们经验比较我们提出的算法与现有的解决方案和蛮力最优算法。我们还进行了持续监测问题的案例研究，以显示我们提出的算法在实际环境中的适用性。
2021-03-04 cs.RO
Distributed Multi-Robot Multi-Target Simultaneous Search and Tracking in an Unknown Non-convex Environment
School of Electrical and Automation Engineering, Nanjing Normal University（电气与自动化工程学院，南京师范大学）；Department of Mechanical Engineering, Temple University（机械工程系， Temple大学）
针对未知非凸环境中多机器人需同时完成探索、搜索与目标跟踪的难题，提出融合前沿探索、Lloyd 保证覆盖和传感器多目标跟踪的运动规划框架，并经 MATLAB 仿真验证其优于标准方法。
2025-09-27 cs.RO
3D Multi-Robot Exploration with a Two-Level Coordination Strategy and Prioritization
Institute of Systems and Robotics of the University of Coimbra（科英布拉大学系统与机器人研究所）
本文提出一种三维多机器人探索框架，将两级协调策略与优先级机制结合，利用滚动时域下一最佳视角方法在不平坦地形上减少冲突并支持按需引导探索。
2023-07-07 cs.RO
Multi-robot Dubins Coverage with Autonomous Surface Vehicles
University of South Carolina（南卡罗来纳大学）
在大规模覆盖操作中，例如海洋勘探或空中监测，单个机器人方法并不理想，因为它们可能需要太长时间来覆盖大面积。在这种情况下，多机器人方法是优选的。此外，一些现实世界的车辆是非完整的，但可以使用Dubins车辆运动学建模。本文重点介绍了使用自主水面车辆（ASV）的水环境监测。特别是，我们提出了一种新的方法来解决由Dubins车辆组成的多机器人团队完全覆盖已知环境的问题。值得注意的是，多机器人覆盖和Dubins车辆覆盖都是NP完全问题。因此，我们提出了两种基于旅行商问题的变体- K-TSP -制定和聚类算法，有效地解决了这个问题的算法。所提出的方法进行了测试，无论是在模拟，以评估其可扩展性，并与一个团队的ASV在湖上运行，以确保其在现实世界中的适用性。
2018-08-07 cs.AI cs.RO
Online Exploration and Coverage Planning in Unknown Obstacle-Cluttered Environments
University of California, Riverside（加州大学河滨分校）
在线覆盖规划在现场监测和搜索救援等应用中非常有用。在没有环境的先验信息的情况下，考虑到常用车辆中的非完整移动性约束（例如，轮式机器人）仍然是一个挑战。在本文中，我们提出了一个分层的，十六进制分解为基础的覆盖规划算法，未知的，障碍物杂乱的环境。所提出的方法确保了分辨率完全覆盖，可以调整以实现快速探索，并为Dubins车辆规划平滑的路径以实时匀速行驶。露台模拟和硬件实验与非完整轮式机器人表明，我们的方法可以成功地权衡覆盖范围和探索速度，并可以优于现有的在线覆盖算法的总覆盖面积或探索速度，根据它是如何调整。
2020-06-30 cs.RO
HEROS: Hierarchical Exploration with Online Subregion Updating for 3D Environment Coverage
Beijing Institute of Technology（北京理工大学）；Baidu Research（百度研究院）
提出HEROS自主探索系统，通过在线更新可变分辨率的子区域单元并结合由粗到细的分层规划策略，降低规划复杂度，在基准环境中以更低计算资源实现高效3D环境覆盖。
2025-04-03 cs.RO
Time-Efficient Mars Exploration of Simultaneous Coverage and Charging with Multiple Drones
National University of Defense Technology（中国人民解放军国防科技大学）
本文提出了一种多无人机和一台火星车协同进行火星探测的省时方案。为了最大限度地实现火星表面的长期有效覆盖，我们开发了一个综合框架，该框架综合考虑了有限的能量，传感器模型，通信范围和安全半径，我们称之为TIME-SC2（同时覆盖和充电的时间效率火星探测）。首先，我们提出了一个多无人机覆盖控制算法，利用新兴的深度强化学习和设计一个新的信息地图来表示动态系统状态。其次，我们提出了一个接近最优的充电调度算法，将每个无人机导航到一个单独的充电槽，我们已经证明了总是存在可行的解决方案。该框架的吸引力不仅在于其能够最大限度地提高探索效率，而且还在于其高度的自治性，大大减少了非探索时间。大量的模拟已经进行了展示TIME-SC2在时间效率，自适应性和灵活性方面的显着性能。
2020-11-16 cs.AI cs.RO
FALCON: Fast Autonomous Aerial Exploration using Coverage Path Guidance
Southern University of Science and Technology（南方科技大学）；Sun Yat-Sen University（中山大学）
针对现有自主空中探索规划器频繁重访已探索区域、效率低下的问题，本文提出FALCON框架，通过分层覆盖路径引导优化探索流程，经多场景实验验证性能优于现有最优方案，且已开源代码与评估环境。
2025-05-16 cs.RO
Adaptive Coverage Path Planning for Efficient Exploration of Unknown Environments
California Institute of Technology（加州理工学院）；Stanford University（斯坦福大学）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；University of California Los Angeles（加州大学洛杉矶分校）
我们提出了一种方法来解决覆盖问题的目标自主探索任务时间约束下的未知环境。在这里，机器人的任务是规划一条地平线上的路径，使得其传感器足迹扫过的累积区域最大化。因为这个问题表现出一个递减的回报属性称为子模块，我们选择制定它作为一个基于树的顺序决策过程。这个公式使我们能够评估机器人的行动对未来世界覆盖状态的影响，同时考虑到机器人的可通行性风险和动态约束。为了快速找到接近最优的解决方案，我们提出了一个有效的近似覆盖传感器模型，适应当地环境。我们的方法在各种复杂的环境中进行了广泛的测试，并作为DARPA地下挑战赛的竞争项目的本地探索算法。
2023-02-06 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
Active perception network for non-myopic online exploration and visual surface coverage
Worcester Polytechnic Institute（伍斯特理工学院）
本文提出主动感知网络（APN），通过增量更新的层次拓扑图和前沿引导的视点规划，实现未知环境的高效在线探索与视觉覆盖，在探索时间和表面覆盖率上优于现有方法。
2023-09-21 cs.RO
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
Constraint Manifold Exploration for Efficient Continuous Coverage Estimation
FZI Research Center for Information Technology（FZI信息技术研究中心）
本文提出了一种基于采样的连续覆盖估计方法，通过探索配置空间中的可到达区域，实现对复杂表面覆盖的高效准确计算。
2026-02-06 cs.RO
Multi-UAV Coverage Planning with Limited Endurance in Disaster Environment
Technische Universität München（慕尼黑工业大学）；Tsinghua University（清华大学）；Avic Shenyang Aircraft Design And Research Institute（中国航空工业集团沈阳飞机设计研究所）
对于洪水、地震等场景，受灾面积大，救援时间紧。多无人机探测比单架无人机探测效率更高。现有的无人机探测工作被建模为覆盖路径规划（CPP）任务，以实现在存在障碍物的情况下对该区域的完全覆盖。但无人机续航能力有限，救援时间紧迫。因此，即使使用多架无人机也无法及时实现对灾区的完全覆盖。因此，在本文中，我们提出了一个多智能体的耐力有限CPP（MAEl-CPP）问题的基础上先验热图的灾区，这需要在有限的能量下探索更有价值的地区。此外，我们提出了一个路径规划算法的MAEl-CPP问题，通过排名可能的灾害地区根据其重要性，通过卫星或远程航空图像和完成路径规划的重要性水平。实验结果表明，我们提出的算法是有效的至少两倍，现有的方法在搜索效率。
2022-02-22 cs.MA cs.RO
Near-Optimal Multi-Agent Learning for Safe Coverage Control
ETH Zurich（苏黎世联邦理工学院）
在多智能体覆盖控制问题中，智能体在其环境中导航以到达最大化某些密度的覆盖的位置。在实践中，密度是很少知道的$\textit{a priori}$，进一步复杂化原来的NP难问题。此外，在许多应用中，由于$\textit{a priori}$未知的安全约束，代理不能访问任意位置。在本文中，我们的目标是有效地学习密度近似解决覆盖问题，同时保持代理的安全性。我们首先提出了一个条件线性子模覆盖函数，便于理论分析。利用这种结构，我们开发了MacOpt，一种新的算法，有效地权衡了由于部分可观测性的探索-开发困境，并表明它实现了次线性遗憾。接下来，我们将单代理安全探索的结果扩展到我们的多代理设置，并提出SafeMac的安全覆盖和探索。我们分析了SafeMac，并给出了第一个同类结果：在有限时间内接近最佳覆盖率，同时可证明保证安全性。我们广泛评估我们的算法在合成和实际问题，包括生物多样性监测任务的安全约束下，SafeMac优于竞争的方法。
2022-10-12 cs.AI cs.LG cs.MA
Real-Time Area Coverage and Target Localization using Receding-Horizon Ergodic Exploration
Northwestern University（西北大学）
虽然有一些解决方案存在的问题的覆盖范围，搜索和目标定位-通常单独解决-是否存在一个统一的战略，解决这些目标在一个连贯的方式，而不是特定的应用程序仍然是一个很大程度上开放的研究问题。在本文中，我们开发了一种滚动时域遍历控制方法，基于混合动力系统理论，有可能填补这一空白。非线性模型预测控制算法规划实时的【形】运动，其相对于由跨感测域的预期信息密度定义的分布最佳地改进遍历性。我们建立了一个理论框架的全局稳定性保证的分布。此外，该方法可分布在多个代理中，使得每个代理可以独立地计算其自己的控制，同时在通信网络上共享其覆盖范围的统计数据。我们证明了在目标定位的背景下，在模拟和实验中的方法，说明该算法是独立的被跟踪的目标的数量，并可以运行在实时的【形】在计算有限的硬件平台。
2017-08-28 cs.RO
Pose-aware Legged Robot Semantic Exploration with Omnidirectional Perception in Confined Unknown Environments
Carnegie Mellon University（卡内基梅隆大学）
针对受限环境中腿式机器人语义探索的覆盖-效率权衡问题，提出姿态感知探索系统POSE，利用身体俯仰翻滚和全方位感知优化视点选择，显著提升覆盖率并减少探索时间。
2026-09-18 cs.RO
Indoor Exploration and Simultaneous Trolley Collection Through Task-Oriented Environment Partitioning
Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）；Southern University of Science and Technology（南方科技大学）
本文提出一种面向任务的环境划分与同步探索搜索框架，通过构建混合地图和带优先约束的旅行商问题，实现自主手推车收集中的高效探索与物体搜索。
2023-09-20 cs.RO cs.SY eess.SY
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
Multi-Agent Off-World Exploration for Sparse Evidence Discovery via Gaussian Belief Mapping and Dual-Domain Coverage
National University of Singapore（新加坡国立大学）；Nanyang Technological University（南洋理工大学）；The University of Queensland（昆士兰大学）
本文提出基于高斯信念映射和双域覆盖的多智能体路径规划框架，用于非世界稀疏证据发现，通过平衡信息获取与操作安全，提升探索效率和鲁棒性。
2026-03-08 cs.RO
Asymptotically Optimal Ergodic Coverage on Generalized Motion Fields
Yale University（耶鲁大学）；Rutgers University（罗格斯大学）；University of Edinburgh（爱丁堡大学）；University of Sydney（悉尼大学）
本文提出将自适应搜索建模为遍历覆盖问题，通过考虑领域演变，在动态环境中保证覆盖并实现有效探索，实验验证了方法在海洋探索及生物运动跟踪中的有效性。
2026-05-13 cs.RO
ContactExplorer: Contact Coverage-Guided Exploration for General-Purpose Dexterous Manipulation
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；RoboScience（机器人科学）
提出ContactExplorer方法，通过接触覆盖奖励和能量引导奖励，在灵巧操作任务中高效探索接触模式，提升样本效率和成功率。
2026-09-30 cs.AI cs.RO
Energy-Aware Ergodic Search: Continuous Exploration for Multi-Agent Systems with Battery Constraints
Yale University（耶鲁大学）；Boston Dynamics AI Institute（波士顿动力人工智能研究所）
本文针对电池供电多智能体系统无法单次充电持续探索的问题，提出能量感知遍历搜索方法，通过抽象电池模型和电池约束下的遍历搜索，在电池使用与覆盖质量间权衡，实现至少一个智能体不间断探索并保证空间覆盖。
2024-02-20 cs.RO
FUEL: Fast UAV Exploration using Incremental Frontier Structure and Hierarchical Planning
Hong Kong University of Science and Technology（香港科技大学）
自主探测是无人机各种应用的基础问题。然而，现有的方法，被证明是不够的探索率，由于缺乏有效的全球覆盖，保守的运动计划和低决策频率。在本文中，我们提出了燃料，一个分层的框架，可以支持快速无人机探索在复杂的未知环境。我们保持在整个空间所需的勘探规划的前沿信息结构（FIS），它可以在空间探索时逐步更新的关键信息。在FIS的支持下，一个分层的规划器计划探索运动在三个步骤中，找到有效的全球覆盖路径，细化一组本地的观点，并生成最短时间的轨迹序列。我们提出了广泛的基准测试和真实世界的测试，其中我们的方法以前所未有的效率（比最先进的方法快3-8倍）完成了探索任务。我们的方法将开源以造福社区。
2020-12-26 cs.RO
Virtual Maps for Autonomous Exploration of Cluttered Underwater Environments
Stevens Institute of Technology（史蒂文斯理工学院）；Amazon Robotics（亚马逊机器人）；Exyn Technologies（Exyn科技）；SRI International（斯坦福国际研究院）
我们考虑自主移动机器人在未知环境中的探索问题，考虑到机器人的覆盖率，地图的不确定性，和状态估计的不确定性。本文提出了一种新的探索框架，水下机器人在复杂的环境中工作，建立在同时定位与地图构建（SLAM）与成像声纳。所提出的系统包括路径生成，地方识别预测，信念传播和效用评估使用虚拟地图，估计整个机器人的工作空间与地图单元格相关的不确定性。我们在模拟实验中评估了该框架的性能，结果表明，我们的算法在探索过程中保持了较高的覆盖率，同时还保持了较低的映射和定位误差。我们的框架在现实世界中的适用性也证明了水下遥控潜水器（ESTA）探索港口环境。
2022-02-16 cs.RO
Beyond Frontiers: Scene-Anomaly Guided Autonomous Exploration
Robotics Research Center, IIIT-Hyderabad（机器人研究中心，印度国际信息技术学院海得拉巴分校）
研究针对传统3D环境自主探索方法忽视结构背景致轨迹低效及重建质量差的问题，提出SCAGE框架，将探索视为几何异常最小化问题，依据对室内建筑的理解标记异常引导机器人，实现空间发现与高保真映射结合，提升了覆盖率和重建质量。
2026-07-20 cs.CV 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
Complete and Near-Optimal Robotic Crack Coverage and Filling in Civil Infrastructure
本文提出了一种同时基于传感器的检查和足迹覆盖(SIFC)规划与控制设计，用于自主机器人裂缝映射与填充。该方法通过在线构建目标地图实现未知目标信息的处理，并通过实验验证了算法在减少机器人行驶距离、保证完整感知覆盖和近最优足迹覆盖方面的有效性。
2024-09-28 cs.RO cs.SY eess.SY
Stein Variational Ergodic Search
Yale University（耶鲁大学）；NVIDIA（英伟达）；The University of Sydney（悉尼大学）
本文将遍历搜索表述为概率推理问题，提出Stein变分遍历搜索，通过并行计算近似覆盖轨迹后验分布，并在模型预测控制中实现多策略在线适应。
2024-06-17 cs.RO
Robustness-Driven Exploration with Probabilistic Metric Temporal Logic
Wake Forest University（维克森林大学）
无人机（UAV）在非结构化或未知环境中工作时，很难甚至不可能事先描述环境，因此自主探测能力是必不可少的。然而，自主探索算法通常以贪婪的方式关注优化时间和覆盖范围。这种类型的探索可能会收集不相关的数据，并浪费时间在没有重要信息的区域导航。在本文中，我们提出了一种方法，利用发现的知识的环境，同时探索它依赖于一个理论的鲁棒性的基础上概率度量时态逻辑（P-MTL）适用于离线验证和在线控制的混合动力系统。通过最大化对探测问题的预定义P-MTL规范的满足，鲁棒性值引导UAV朝向具有更多感兴趣信息的区域。我们使用马尔可夫链蒙特卡罗来解决P-MTL约束。我们证明了所提出的方法的有效性，通过模拟亚马逊雨林的自主勘探，我们的方法被用来检测非法手工小规模金矿（ASGM）活动所占用的区域。结果表明，我们的方法优于贪婪的探索方法（自主探索计划）的38%，在ASGM覆盖率。
2019-12-03 cs.CV cs.RO
Autonomous Exploration-Based Precise Mapping for Mobile Robots through Stepwise and Consistent Motions
Southwest Jiaotong University（西南交通大学）
本文提出一种面向采用激光SLAM的室内移动机器人的自主探索框架，通过多RRT采样、逐步一致运动等策略提升建图精度与鲁棒性，经仿真与真实实验验证其优于基准2D算法。
2026-08-12 cs.RO cs.SY eess.SY
AcTExplore: Active Tactile Exploration of Unknown Objects
University of Maryland（马里兰大学）
针对触觉传感器感知范围有限、未知物体探索效率低的问题，提出强化学习驱动的主动触觉探索方法AcTExplore，可在有限步数内探索并重建物体3D形状，仅用原始形状训练即在YCB物体上达95.97%的IoU覆盖率。
2024-06-20 cs.CV cs.RO
Semantic Exploration and Dense Mapping of Complex Environments using Ground Robot with Panoramic LiDAR-Camera Fusion
Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学）
本文提出一种结合建图与规划的地面机器人自主语义探索系统，通过优先级驱动解耦局部采样器与分层规划器实现多视角语义观测与几何覆盖，并利用安全激进探索状态机和即插即用建图模块，在仿真和真实环境中实现了更快探索与准确密集语义目标建图。
2025-09-17 cs.AI cs.RO
RAnGE: Reachability Analysis for Guaranteed Ergodicity
Yale（耶鲁大学）
本文提出 RAnGE，将扰动下的遍历搜索建模为微分博弈，借助扩展状态 Bolza 变换与神经网络求解可达性方程，从而获得可保证鲁棒遍历覆盖的控制器。
2024-12-10 cs.RO
Risk-Aware Coverage Path Planning for Lunar Micro-Rovers Leveraging Global and Local Environmental Data
Tohoku University（东北大学）
本文提出一种面向月球微型巡视器的3D近视覆盖路径规划算法，结合全局与局部地形数据计算运动成本并集成定位建图，在仿真与实地测试中实现低能耗高覆盖率的自主探索。
2024-04-29 cs.RO
PIPE Planner: Pathwise Information Gain with Map Predictions for Indoor Robot Exploration
Ulsan National Institute of Science and Technology（乌山国立科学研究院）；Robotics Institute, School of Computer Science at Carnegie Mellon University（卡内基梅隆大学计算机科学学院机器人研究所）
针对室内机器人自主探索中路径式信息增益计算难、易高估的问题，提出PIPE规划器，结合地图预测与高效预期观测掩码计算，在真实楼层平面图数据集上性能优于现有最优基线。
2025-08-01 cs.RO
TASG-Explore: Traversability-Aware Sector-Guided Exploration for Ground Robot on Uneven Terrain
Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Hohai University（河海大学）
TASG-Explore提出可通行性感知的扇区引导探索框架，通过分层地形分析和动态拓扑规划，在崎岖地形上实现高效安全探索，效率提升51%，覆盖率最高提升2.95倍。
2026-09-30 cs.RO
Perception-Aware Autonomous Exploration in Feature-Limited Environments
MAVLab, TU Delft（代尔夫特理工大学MAV实验室）；Lincoln Center for Autonomous Systems (L-CAS), School of Engineering and Physical Sciences, University of Lincoln（林肯自主系统中心（L-CAS），工程与物理科学学院，林肯大学）
本文提出了一种层级感知-aware的自主探索框架，用于配备立体相机的无人机，在探索过程中考虑特征可见性，通过全局特征图关联候选前沿与预期特征质量，优化连续偏航轨迹以保持稳定特征跟踪，实验证明其在不同纹理环境下的有效性。
2026-08-14 cs.RO
Offline Grid-Based Coverage path planning for guards in games
McGill University（麦吉尔大学）
穷举覆盖的算法在视频游戏中有应用，可以实现自动游戏级探索。目前的设计使用简单的逻辑，经常导致性能差或表现出不自然的行为。在本文中，我们介绍了一种新的算法覆盖的二维多边形（孔）的地区。我们假设地图布局的先验知识，并使用基于网格的世界表示。从简单的布局到实际游戏中使用的更复杂的地图，对几种场景的实验分析显示出良好的性能。这项工作作为第一步，建立一个更有效的覆盖路径规划算法的非玩家角色。
2020-01-15 cs.AI cs.RO
FU-MPC: Frontier- and Uncertainty-Aware Model Predictive Control for Efficient and Accurate UAV Exploration with Motorized LiDAR
NTU（国立新加坡大学）
本文提出FU-MPC框架，通过结合前沿感知和方向依赖的定位不确定性，提升无人机在复杂环境中的探索效率和定位鲁棒性。
2026-05-14 cs.RO
Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
Prune-Then-Plan通过分步校准稳定具身问答中的前沿探索，提升导航效率和回答质量。
2025-11-24 cs.AI cs.CV cs.RO
