Scalable Decentralized Cooperative Platoon using Multi-Agent Deep Reinforcement Learning
German University in Cairo（开罗德国大学）
针对智能交通中车辆队列行驶的性能与安全需求，提出基于Unity 3D和深度强化学习的可扩展去中心化协作队列方法，通过“共享与关怀”通信框架提升车队及单车性能鲁棒性，改善道路安全与拥堵。
2023-12-11 cs.AI cs.MA cs.RO
Safety-driven Interactive Planning for Neural Network-based Lane Changing
Northwestern University（西北大学）
基于神经网络的驾驶规划器在提高自动驾驶的任务性能方面显示出巨大的前景。然而，确保具有基于神经网络的组件的系统的安全性是至关重要的，但也是非常具有挑战性的，特别是在密集和高度交互的交通环境中。在这项工作中，我们提出了一个安全驱动的交互式规划框架的神经网络为基础的车道变换。为了防止过于保守的规划，我们识别周围车辆的驾驶行为，并评估其侵略性，然后以交互的方式相应地调整自我车辆的规划轨迹。如果即使在预测的最坏情况下也存在安全规避轨迹，则自我车辆可以继续改变车道;否则，它可以停留在当前横向位置附近或返回到原始车道。我们定量地展示了我们的规划设计的有效性及其优势，通过广泛的模拟与不同的和全面的实验设置，以及在现实世界中收集的自动驾驶汽车公司的情况下，基线方法。
2022-09-18 cs.RO cs.SY eess.SY
Online Planning for Cooperative Air-Ground Robot Systems with Unknown Fuel Requirements
针对目标燃料成本未知的FCURP-MRS问题，提出结合离线启发式规划与动态调整交会点的在线规划算法，初步Gazebo仿真验证了其能维持空地机器人路径有效性并确保任务完成。
2025-06-25 cs.RO
$E^2Coop$: Energy Efficient and Cooperative Obstacle Detection and Avoidance for UAV Swarms
University of Otago（奥塔哥大学）
能量效率是无人机群避障轨迹规划的关键。本文提出了$E^2Coop$，一种将人工势场（APF）与基于粒子群规划（PSO）的航迹规划紧密耦合的无人机群避碰新方案。在$E^2Coop$中，群成员协同执行轨迹规划，以能量有效的方式避免碰撞。$E^2Coop$利用活动轮廓模型在图像处理中的优势进行轨迹规划。每个群体成员规划其轨迹上的环境场的轮廓，以节省能源，避免碰撞的障碍。处于彼此安全距离内的群成员在不同的轮廓上规划它们的轨迹，以避免彼此碰撞。仿真结果表明，与现有的两种方案相比，$E^2Coop$的能量节省率可达51%.
2021-05-08 cs.RO
Roadside-assisted Cooperative Planning using Future Path Sharing for Autonomous Driving
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；School of Computing, Tokyo Institute of Technology（东京工业大学计算机学院）
协作智能交通系统（ITS）由自主车辆用于与周围的自主车辆和路边单元（RSU）通信。目前的C-ITS应用主要集中在实时信息共享，如协同感知。除了实时信息共享，自动驾驶汽车还需要协调行动计划，以实现更高的安全性和效率。为此，本研究定义了车辆的未来行动计划/路径，并设计了一个合作的路径规划模型在交叉口使用未来的路径共享的基础上，未来的路径信息的多辆车。其概念是，当RSU根据共享的未来路径检测到车辆路径的潜在冲突或加速机会时，它将生成调整车辆速度的协调路径更新。我们使用开源Autoware自动驾驶软件实现了所提出的方法，并使用LGSVL自动驾驶汽车模拟器对其进行了评估。我们对两辆车在一个盲路口的场景进行了模拟实验，发现每辆车都可以通过规划一条反映所有车辆行动计划的路径来安全、更有效地行驶。通过引入RSU所消耗的时间比在十字路口的独立自动驾驶案例缩短了23.0%和28.1%。
2021-08-10 cs.RO
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University（麦克马斯特大学）
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题，提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型，采用异步集中训练分布式执行方案，实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
How to Coordinate UAVs and UGVs for Efficient Mission Planning? Optimizing Energy-Constrained Cooperative Routing with a DRL Framework
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
提出一种可扩展的DRL框架，利用编码器-解码器Transformer架构和单次出动智能体切换机制，解决UAV-UGV多智能体能量受限协同路由问题，显著提升了任务规划的求解质量与运行效率。
2025-04-29 cs.RO
Cooperative Behavior Planning for Automated Driving using Graph Neural Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
由于静态优先规则和遮挡限制了优先交通的视野，城市交叉口容易出现延误和效率低下。现有的改善交通流的方法，广泛称为自动交叉口管理系统，大多是基于非学习预留方案或优化算法。基于机器学习的技术在规划单个自我车辆方面显示出有希望的结果。本文提出利用机器学习算法，通过多车辆联合规划来优化城市交叉口的交通流。基于学习的行为规划提出了几个挑战，需要合适的输入和输出表示以及大量的地面实况数据。我们解决前一个问题，使用灵活的基于图形的输入表示伴随着一个图神经网络。这允许有效地编码场景，并固有地为所有涉及的车辆提供单独的输出。为了学习一个合理的策略，而不依赖于模仿的专家示范，合作规划任务被认为是一个强化学习问题。我们在自动驾驶决策的开源模拟环境中对所提出的方法进行了训练和评估。相比先进先出的计划和交通由静态优先级规则，学习规划显示出显着的增益流量，同时减少诱导停止的数量。除了合成模拟，该方法还基于从公开可用的inD数据集获取的真实交通数据进行评估。
2022-07-26 cs.LG cs.RO
Cooperative Multi-Agent Planning Framework for Fuel Constrained UAV-UGV Routing Problem
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；DEVCOM Army Research Laboratory（DEVCOM陆军研究实验室）
本文针对燃料受限的UAV-UGV协作路径问题，提出一种两阶段序列多智能体规划框架，结合最小集合覆盖算法和E-VRPTW建模，快速生成高质量解决方案，并在30个场景中验证了其有效性。
2023-09-06 cs.RO
Risk Map As Middleware: Towards Interpretable Cooperative End-to-end Autonomous Driving for Risk-Aware Planning
Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室，同济大学）；UCLA Mobility Lab, University of California, Los Angeles（加州大学洛杉矶分校UCLA移动实验室）
本文提出RiskMM框架，通过风险地图中间件提升自动驾驶的可解释性和风险感知规划能力。
2025-11-20 cs.RO
Asynchronous Decentralized Algorithm for Space-Time Cooperative Pathfinding
Czech Technical University in Prague（捷克布拉格技术大学）；Delft University of Technology（代尔夫特理工大学）
合作寻路是一个多智能体路径规划问题，其中一组车辆搜索相应的一组非冲突的时空轨迹。许多实用的方法集中解决合作寻路问题的优先级规划策略的基础上。然而，在某些领域（例如，无人驾驶飞行器、自主水下航行器或无人驾驶地面航行器的多机器人团队），由于域和/或隐私问题所施加的通信限制，分散式方法可能比集中式方法更可取。在本文中，我们提出了一个异步分散的优先级规划ADPP和它的可中断版本IADPP的变种。该算法利用分布式系统固有的并行性，并允许加快计算过程。与同步规划方法不同，该算法允许代理立即对其他代理的路径更新做出反应，并调用其本地时空路径规划器来找到最佳轨迹，作为对其他代理选择的响应。我们提供了一个证明的算法的正确性和实验评估他们的合成域。
2012-10-25 cs.AI cs.DC cs.RO
Context-Aware Target Classification with Hybrid Gaussian Process prediction for Cooperative Vehicle Safety systems
University of Central Florida（中佛罗里达大学）；Hyundai America Technical Center, Inc.（现代美国技术中心公司）
车联网（V2X）通信已被提出作为一种潜在的解决方案，通过改善协调和消除非视线感知的障碍来提高自动驾驶汽车的鲁棒性和安全性。协同车辆安全（CVS）应用程序紧密依赖于底层数据系统的可靠性，由于其不同组件的固有问题，例如传感器故障或密集通信信道负载下V2X技术的性能低下，可能会导致信息丢失。特别地，信息丢失影响目标分类模块，并且随后影响安全应用性能。为了实现可靠和强大的CVS系统，减轻信息丢失的影响，我们提出了一个上下文感知目标分类（CA-TC）模块，结合基于混合学习的CVS系统预测建模技术。CA-TC由两个模块组成：上下文感知地图（CAM）和混合高斯过程（HGP）预测系统。因此，车辆安全应用程序使用来自CA-TC的信息，使其更加强大和可靠。CAM利用车辆路径历史、道路几何形状、跟踪和预测; HGP用于提供准确的车辆轨迹预测，以补偿数据丢失（由于通信拥塞）或传感器测量的不准确性。基于离线的真实世界数据，我们学习了一组有限的驾驶员模型，这些模型代表了车辆和驾驶员行为的联合动力学。我们将离线训练和在线模型更新与实时预测相结合，以考虑新的可能的驾驶员行为。最后，我们的框架进行了验证，使用模拟和现实的驾驶场景，以确认其在提高CVS系统的鲁棒性和可靠性的潜力。
2022-12-24 cs.AI cs.RO
Safety-Assured Speculative Planning with Adaptive Prediction
Northwestern University（西北大学）；Pony.ai, Inc.（小马智行公司）
针对自动驾驶复杂场景下轨迹规划难兼顾性能与安全的问题，提出基于预测-规划接口的新型推测规划框架，自适应调整周围车辆行为与轨迹的概率预测，兼顾期望奖励最大化与最坏情况安全，仿真验证其性能与安全性优于基线方法。
2023-07-21 cs.RO
V2V-GoT: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models and Graph-of-Thoughts
NVIDIA；Carnegie Mellon University（卡内基梅隆大学）
本文提出V2V-GoT框架，结合多模态大语言模型和图-思维方法，提升车对车协同自动驾驶的感知、预测和规划能力。
2026-02-16 cs.RO
High-level Decisions from a Safe Maneuver Catalog with Reinforcement Learning for Safe and Cooperative Automated Merging
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
强化学习（RL）最近被用于解决自动驾驶背景下具有挑战性的决策问题。然而，所提出的基于RL的策略的主要缺点之一是缺乏安全保证，因为它们努力减少预期的碰撞次数，但仍然容忍它们。在本文中，我们提出了一个有效的基于RL的决策管道，用于合并场景中的安全和合作自动驾驶。RL代理能够预测当前情况并提供高层决策，指定负责安全的低级计划器的操作模式。为了学习更通用的策略，我们提出了一个可扩展的RL架构的合并方案，是不敏感的环境配置的变化。根据我们的实验，建议RL代理可以有效地识别合作的司机从他们的车辆状态历史，并产生交互式操纵，从而更快，更舒适的自动驾驶。同时，由于规划器内部的安全约束，所有的机动都是无碰撞和安全的。
2021-07-15 cs.AI cs.RO
CooperDrive: Enhancing Driving Decisions Through Cooperative Perception
Toyota InfoTech Labs（丰田信息科技实验室）
本文提出CooperDrive协作感知框架，通过轻量级对象级共享与融合策略提升感知与规划能力，实现在遮挡和非视线场景下的更早安全驾驶决策。
2026-04-15 cs.CV cs.RO
Cooperative Planning for Fuel-constrained Aerial Vehicles and Ground-based Refueling Vehicles for Large-Scale Coverage
IIIT-Delhi（德里印度理工学院）；CNLS, Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室非线性研究中心）；Texas A&M University（得克萨斯农工大学）；Loughbrough University（拉夫堡大学）
低成本无人机需要多次加油才能实现大面积覆盖。加油站的数量及其位置在确定覆盖效率方面起着至关重要的作用。在本文中，我们提出了使用地面加油车（RV），以增加无人机的操作范围在空间和时间域。确定UAV和RV的最佳路线以及选择最佳加油位置以帮助最小化覆盖时间是一个具有挑战性的问题，这是由于不同的车辆速度、加油位置放置之间的耦合以及每个位置处的覆盖区域。针对无人机和RV执行覆盖任务的耦合航路规划问题，提出了一种两阶段策略。第一阶段计算一个最小的加油站，允许一个可行的无人机路线。在第二阶段，考虑到第一阶段生成的可行加油地点集，开发多个混合整数线性规划（MILP）公式来规划无人机和加油车的最佳路线。不同配方的性能进行了经验比较。此外，计算效率的算法被开发来解决路由问题。进行了大量的模拟，以证实所提出的方法的有效性。
2018-05-11 cs.RO
MAPPO-PIS: A Multi-Agent Proximal Policy Optimization Method with Prior Intent Sharing for CAVs' Cooperative Decision-Making
Tongji University（同济大学）
针对人机混合交通中CAVs协同决策的挑战，本文提出MAPPO-PIS方法，通过意图生成模块与安全增强模块实现多智能体强化学习下的先验意图共享，显著提升了决策的安全性、效率及整体交通性能。
2024-08-26 cs.RO
Vehicle-road Cooperative Simulation and 3D Visualization System
由于车载传感器感知能力的限制，单车自动驾驶技术的安全性受到限制。而车路协同技术通过扩大感知范围、提高感知精度、缩短响应时间，可以克服这些限制，提高交通安全和效率。然而，这种技术仍在开发中;它需要严格的测试和验证方法，以确保技术的可靠性和可信度。本文主要研究了三个方面的内容：（1）分析了车路协同系统的功能特征，指出了车路协同系统与传统的单车自主驾驶系统的区别：（2）对车路协同系统的功能特征进行了细化和分类;（3）设计和开发仿真系统，并提供可视化界面，方便开发和分析。通过实验验证了该方法的有效性.
2022-07-14 cs.AI cs.RO
Real-World Evaluation of two Cooperative Intersection Management Approaches
Institute of Measurement, Control and Microtechnology, Ulm University（测量、控制与微技术研究所，乌尔姆大学）；Robert Bosch GmbH, Corporate Research（罗伯特·博世有限公司，企业研究）
本文评估了两种协作交叉口管理方法在现实混合交通中的性能，展示了其在减少穿越时间和停止次数方面的显著效果。
2026-02-01 cs.RO
Cooperative Decision-Making for CAVs at Unsignalized Intersections: A MARL Approach with Attention and Hierarchical Game Priors
Tongji University（同济大学）；University of Cambridge（剑桥大学）；The Hong Kong Polytechnical University（香港理工大学）
针对无信号交叉口多CAV协同决策难题，本文提出融合注意力机制、分层博弈先验与安全检查员的MA-GA-DDPG算法，并经仿真与硬件在环验证其安全、效率和舒适性优势。
2024-09-09 cs.RO
Co-MTP: A Cooperative Trajectory Prediction Framework with Multi-Temporal Fusion for Autonomous Driving
School of Automotive Studies, Tongji University（同济大学汽车学院）
提出Co-MTP协同轨迹预测框架，利用V2X系统通过异构图Transformer融合多智能体历史轨迹并捕捉未来规划交互，在V2X-Seq数据集上实现最先进性能。
2025-11-02 cs.AI cs.CV cs.LG
Vision and Language: Novel Representations and Artificial intelligence for Driving Scene Safety Assessment and Autonomous Vehicle Planning
University of California, Merced（加州大学默塞德分校）；University of California, San Diego（加州大学圣迭戈分校）
本文研究了视觉-语言表示在自动驾驶安全评估和规划中的应用，提出轻量级危险检测、轨迹规划框架整合及自然语言约束方法，强调表示-任务对齐的重要性。
2026-02-18 cs.AI cs.CV cs.LG
Distributed Path Planning for Executing Cooperative Tasks with Time Windows
University of Minnesota（明尼苏达大学）
我们研究的分布式规划的机器人轨迹最优执行的合作任务的时间窗口。在这种设置中，每个任务都有一个值，如果在指定的时间窗口内有足够多的机器人同时出现在必要的位置，则完成任务。任务在周期内定期到达。任务规格（所需的机器人数量，位置，时间窗口和价值）是未知的先验和机器人试图通过规划自己的轨迹为即将到来的周期基于他们过去的观察在分布式的方式完成的任务的价值最大化。考虑到充电和维护需求，机器人需要在环境中指定的站点开始和结束每个循环。我们将这个问题映射到一个博弈论公式，并通过分布式学习最大限度地提高集体性能。一些仿真结果也证明了所提出的方法的性能。
2019-08-15 cs.MA cs.RO cs.SY
Cooperative Motion Planning for Non-Holonomic Agents with Value Iteration Networks
Daimler R&D（戴姆勒研发中心）；FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
协作运动规划仍然是机器人面临的一个具有挑战性的课题。最近，价值迭代网络（VIN）被提出来建模运动规划任务作为神经网络。在这项工作中，我们扩展VIN解决非完整约束下的合作规划任务。为此，我们将多个VIN互连，以尊重彼此的输出。通过迭代梯度下降生成合作策略。仿真验证表明，所得到的网络可以解决非完整运动规划问题，需要合作。
2017-09-15 cs.MA cs.RO
Applying systems-theoretic process analysis in the context of cooperative driving
KTH（皇家理工学院）
高度自动化的协同驾驶车辆将使交通流量更加流畅，从而实现更高效、更环保和更安全的交通状况。然而，汽车行业是安全关键，目前的安全标准不是为了处理合作驾驶而设计的。在本文中，我们应用现代安全分析方法，系统理论过程分析，在合作驾驶的背景下，作为大合作驾驶挑战赛（GCDC）的一部分，并提出我们的思考方法。
2019-12-04 cs.RO cs.SY eess.SY
Motion Planning of Cooperative Nonholonomic Mobile Manipulators
Department of Mechanical Engineering, Indian Institute of Technology Bombay（印度理工学院班加罗尔机械工程系）；Center for Systems and Control, Indian Institute of Technology Bombay（印度理工学院班加罗尔系统控制中心）
本文提出了一种实时可实现的运动规划框架，用于非holonomic移动机械臂机器人在动态环境中协作运输物体。该框架通过静态无障碍区域找到从起点到目标的路径，并利用一种新颖、快速且计算轻量的椭圆技术生成路径周围的凸、静态、无障碍区域。引入了基于非线性模型预测控制（NMPC）的实时可实现规划技术，联合规划移动基底和机械臂的可行运动，并生成可行的、无碰撞的轨迹以实现协作物体运输。仿真和硬件实验验证了所提规划框架的有效性。
2026-05-17 cs.MA cs.RO cs.SY
MROPE: A Multi-Robot Safe Cooperative Strategy via combined Predictive Safety Filters and Ellipse-based Constraint Compression
Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；Leonardo S.p.a.（莱昂纳多公司）；Leonardo Innovation Labs（莱昂纳多创新实验室）
针对杂乱环境中无人机群追踪动态目标的计算与安全挑战，研究提出MROPE分层策略，结合分布式聚合优化、分布式共识方案与预测安全滤波器，通过动态聚合障碍物为椭圆保障安全，实验验证其效率与可扩展性优于集中式方法。
2026-08-03 cs.RO cs.SY eess.SY
A Learning System for Motion Planning of Free-Float Dual-Arm Space Manipulator towards Non-Cooperative Object
Tsinghua University（清华大学）；Beijing Institute of Control Engineering（北京控制工程研究所）；City University of Hong Kong（香港城市大学）
近年来，出现了一些不合作的空间物体，如失败的卫星和太空垃圾。这些物体通常由自由浮动双臂空间机械臂操作或收集。强化学习（RL）方法由于消除了建模和参数手动调整的困难，在空间机械臂轨迹规划中显示出更有前途的迹象。虽然以前的研究证明了它们的有效性，但它们不能应用于跟踪具有未知旋转的动态目标（非合作目标）。提出了一种自由漂浮双臂空间机械臂（FFDASM）面向非合作对象的运动规划学习系统。具体来说，我们的方法由两个模块组成。模块一实现了大目标空间内两个末端执行器的多目标轨迹规划。然后，模块II以非合作目标的点云作为输入，估计目标的运动特性，进而预测目标点在非合作目标上的位置。利用模块I和模块II的组合，成功地跟踪了具有未知规律的旋转物体上的目标点。此外，实验还证明了我们的学习系统的可扩展性和泛化能力。
2022-07-06 cs.AI cs.RO cs.SY
Cooperative Multi-Agent Path Finding: Beyond Path Planning and Collision Avoidance
Technion（以色列理工学院）
我们介绍了合作多智能体路径寻找（Co-MAPF）问题，经典的MAPF问题的扩展，其中合作行为被纳入。在这种设置中，一组自主智能体在共享环境中操作，并且必须完成协作任务，同时避免与组中的其他智能体发生冲突。这个扩展自然地模拟了许多现实世界的应用程序，其中需要多组代理进行协作以完成给定的任务。为此，我们对Co-MAPF问题进行了形式化，并引入了基于冲突的协作搜索（Co-CBS），这是一种基于CBS的算法，用于为广泛的Co-MAPF问题最佳地解决该问题。Co-CBS使用集成到CBS中的协作规划模块，使得协作规划与路径规划解耦。最后，我们提出了实证结果几个MAPF基准证明我们的算法的属性。
2021-05-23 cs.AI cs.MA cs.RO
Path Planning for a Cooperative Navigation Aid Vehicle to Assist Multiple Agents Sequentially
Department of Mechanical Engineering（机械工程系）；Engineering Science, University of North Carolina at Charlotte（工程科学，北卡罗来纳大学夏洛特分校）
本文提出了一种贪心算法，用于规划协作导航辅助车路径，以依次协助多个智能体并减少导航不确定性。
2024-07-09 cs.RO cs.SY eess.SY
Accelerating Cooperative Planning for Automated Vehicles with Learned Heuristics and Monte Carlo Tree Search
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；FZI Research Center for Information Technology（FZI信息技术研究中心）
城市交通场景中的高效驾驶需要远见。其他交通参与者的观察和推断他们可能的下一步行动取决于自己的行动被认为是合作预测和规划。人类已经具备了预测多个交互的交通参与者的行为并相应地进行规划的能力，而无需直接与他人进行通信。以前的工作表明，它是可能实现有效的合作规划，而不需要明确的沟通。然而，合作计划的搜索空间如此之大，以至于大部分计算预算都花在探索远离解的无希望区域中的搜索空间上。为了加速规划过程，我们将学习的策略与合作规划方法相结合，以引导搜索具有有希望的行动的区域，以较低的计算成本获得更好的解决方案。
2020-05-22 cs.LG cs.MA cs.RO
Improved Consensus ADMM for Cooperative Motion Planning of Large-Scale Connected Autonomous Vehicles with Limited Communication
The Hong Kong University of Science and Technology（香港科技大学）；National University of Singapore（新加坡国立大学）
本文针对有限通信下大规模网联自动驾驶车辆协同运动规划问题，提出改进一致性ADMM并行优化方法，结合局部连通拓扑、稀疏对偶更新和轻量级进化策略，在CARLA中验证了其高效性与可扩展性。
2024-01-17 cs.MA cs.RO cs.SY
A Supervisory Learning Control Framework for Autonomous & Real-time Task Planning for an Underactuated Cooperative Robotic task
Department of Electromechanical, Systems and Metal Engineering, Ghent University（根特大学机电、系统与金属工程系）；Core Lab MIRO, Flanders Make Strategic Research Centre for the Manufacturing Industry（弗拉芒制造战略研究中心MIRO核心实验室）
我们介绍了一个框架，合作操作，应用在欠驱动操作问题。两个固定的机器人机械手需要合作，以重新定位在其共享的工作空间内的对象。控制多智能体系统的操纵任务不能依赖于单独的控制策略，通过群集服务于共同目标的智能体之间几乎没有通信。相反，需要一个协调策略，将子任务查询到各个代理。我们制定的任务和运动规划（TAMP）设置的问题，同时考虑分解策略，使我们能够单独对待的任务和运动规划问题。我们解决了监督规划问题离线使用深度强化学习技术，从而成为一个监督政策，能够协调两个机械手到一个成功的执行拾取和放置任务。此外，离线解决任务规划问题的好处是实时的【形】（重新）规划的可能性，在子任务执行失败或动态任务更改的情况下表现出鲁棒性。该框架实现了zero-shot部署在真实的设置与成功率高于90%。
2023-02-22 cs.RO cs.SY eess.SY
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
Towards Cooperative Motion Planning for Automated Vehicles in Mixed Traffic
FZI Research Center for Information Technology（FZI 信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
虽然自动车辆的运动规划技术在反应和预期的方式已经被广泛提出，合作运动规划的方法仍然存在。在本文中，我们提出了一种方法来提高常见的运动规划算法，允许与人类驾驶的车辆合作。与以前的方法不同，我们将其他交通参与者的预测集成到运动规划中，这样就可以考虑到自我车辆的行为对其他交通参与者的影响。为此，提出了一种新的成本函数，包含场景中所有相关交通参与者的成本。最后，我们提出了一个路径速度分解采样为基础的实现，我们的方法为选定的情况下，这是在模拟评估。
2017-08-23 cs.MA cs.RO
Multi-Uncertainty Aware Autonomous Cooperative Planning
Research Institute for Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学可信自主系统研究院）；University of Macau（澳门大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of New South Wales（新南威尔士大学）
针对多不确定性叠加导致鲁棒自主协同规划难的问题，提出基于RC-MPC的MUACP框架，在CARLA平台验证其可实时高效编队且性能优于基准方法。
2024-11-01 cs.RO cs.SY eess.SY
Planning and Control of Uncertain Cooperative Mobile Manipulator-Endowed Systems under Temporal-Logic Tasks
KTH Royal Institute of Technology（KTH皇家理工学院）；School of Electrical Engineering and Computer Science（电气工程与计算机科学学院）
多智能体系统的控制和规划是一个活跃的和越来越多的研究课题，有许多实际应用，如救援任务，安全，监视和运输。本论文主要研究多智能体系统在时序逻辑任务下的规划与控制。所考虑的系统涉及复杂的，机器人，机械手赋予系统，可以协调，以执行复杂的任务，包括对象操作/运输。出于现实生活中的场景，我们考虑到高阶动态模型的不确定性和未知的干扰。我们的方法是基于多代理系统，智能控制理论，合作对象操作，多代理对象系统的离散抽象设计，和正式验证等领域的工具的集成。论文的第一部分致力于设计连续控制协议的合作对象的操作/运输由多个机器人代理，刚性合作操作方案的关系，多智能体形成。在论文的第二部分中，我们开发了控制方案的多智能体复杂系统的不确定动态的连续协调，专注于多智能体导航与碰撞规范在障碍物杂乱的环境。论文的第三部分主要研究了多智能体和多智能体对象系统的规划和控制问题，这些系统的复杂任务用时序逻辑公式表示。论文的第四部分也是最后一部分重点讨论了单智能体设置的几个扩展方案，例如定时时间任务下的运动规划和未知系统的渐近参考跟踪，同时尊重漏斗约束。
2023-03-02 cs.RO cs.SY eess.SY
Motion and Cooperative Transportation Planning for Multi-Agent Systems under Temporal Logic Formulas
KTH Center for Autonomous Systems（KTH 自主系统中心）
本文提出一种混合控制框架，用于在高阶目标表达为线性时序逻辑（LTL）公式的情况下，多智能体系统的运动规划。设计控制协议以实现智能体在预定义兴趣区域间的过渡及协作运输物体。通过抽象智能体与物体的耦合行为为有限状态转移系统，设计满足智能体和物体规格的高层多智能体计划。
2018-03-05 cs.RO cs.SY eess.SY
Impact of Information Flow Topology on Safety of Tightly-coupled Connected and Automated Vehicle Platoons Utilizing Stochastic Control
Univ. of Georgia（佐治亚大学）；Univ. of Central Florida（中佛罗里达大学）
通过车联网（V2X）通信实现的协同驾驶有望为交通系统的安全和效率做出重大贡献。协同自适应巡航控制（CACC）是一种重要的协同驾驶应用，近年来已成为许多研究的主题。使用CACC的主要动机是减少交通拥堵，提高交通流量、交通吞吐量和公路通行能力。由于协同车辆之间的信息流可以显着影响一个队列的动态，控制组件的设计和性能是紧密依赖于通信组件的性能。此外，信息流拓扑（IFT）的选择可以影响某些排属性，如稳定性和可扩展性。虽然通过使用V2X通信可以将协作车辆感知扩展到多个前驱信息，但是通信技术仍然存在可扩展性问题。因此，合作的车辆需要预测对方的行为，以补偿非理想的通信的影响。提出了基于模型的通信（MBC）的概念，通过引入一种新的灵活的内容结构来广播联合车辆动态/驾驶员行为模型，以增强非理想通信下的协作车辆感知。通过利用非参数（贝叶斯）建模方案，即，高斯过程回归（GPR），和MBC的概念，本文开发了一种离散的混合随机模型预测控制的方法，并检查通信损耗和不同的信息流拓扑结构的性能和安全的排的影响。结果表明，使用更多的车辆信息，在响应时间和安全性方面有所改善，验证了合作的潜力，以减少干扰，提高交通流量和安全性。
2022-03-29 cs.RO cs.SY eess.SY
Unveiling Uncertainty-Aware Autonomous Cooperative Learning Based Planning Strategy
本文提出基于深度强化学习的自主协作规划框架DRLACP，通过门控循环单元改进SAC算法，有效应对多车辆协作规划中的感知、规划和通信不确定性，实验证明其在不同场景下优于基线方法。
2026-04-22 cs.RO
A Predictive Cooperative Collision Avoidance for Multi-Robot Systems Using Control Barrier Function
Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳研究院）；Southern University of Science and Technology（南方科技大学）；University of Oulu（奥卢大学）；VTT-Technical Research Centre of Finland（芬兰技术研究中心）
本文提出基于预测安全矩阵的多机器人系统协作避障方法，通过最小特征值强化安全条件，并嵌入路径冲突策略以避免死锁，提升系统鲁棒性和效率。
2025-01-14 cs.RO cs.SY eess.SY
Safety-guaranteed trajectory planning and control based on GP estimation for unmanned surface vessels
Katholieke Universiteit Leuven（鲁汶天主教大学）；University of Melbourne（墨尔本大学）
我们提出了一个安全保证的规划和控制框架，无人水面舰艇（USVs），使用高斯过程（GPS）学习不确定性。USV遇到的不确定性，包括外部干扰和模型失配，是潜在的状态依赖性，时变的，很难捕捉恒定的模型。GP是一个功能强大的基于学习的工具，可以与基于模型的规划和控制框架集成，该框架采用Hamilton Jacobi微分博弈公式。这样的组合产生不太保守的轨迹和安全保证的控制策略。我们证明了所提出的框架在模拟和实验上的CLEARPATH苍鹭USV。
2022-05-10 cs.RO cs.SY eess.SY
Multi-AAV Cooperative Path Planning using Nonlinear Model Predictive Control with Localization Constraints
IIIT Delhi（德里印度信息技术学院）；University of Cincinnati（辛辛那提大学）；IISER Bhopal（博帕尔印度科学教育与研究学院）
针对GPS拒止环境下多AAV协同定位与路径规划问题，提出结合MHE与带近似解析闭式协方差表达式的NMPC方法，可在保证定位精度的同时降低计算量，经仿真验证优于基于EKF的方案。
2022-01-23 cs.RO cs.SY eess.SY
Decentralized Cooperative Planning for Automated Vehicles with Continuous Monte Carlo Tree Search
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
城市交通场景通常需要交通参与者之间的高度合作，以确保安全和效率。通过观察他人的行为，人类可以推断出他人是否在合作。这项工作旨在扩展自动驾驶汽车的能力，使它们能够在异构环境中进行隐式合作。连续的行动允许任意的轨迹，因此适用于更广泛的一类问题比现有的合作方法与离散的行动空间。蒙特卡罗树搜索（MCTS）结合解耦UCT，基于其他智能体的合作建模，以合作和分散的方式评估每个智能体的行动值，尊重交通参与者之间的相互依赖性。连续动作空间的扩展是通过将新的MCTS特定的增强有效的搜索空间探索。在不同的场景下对该算法进行了评估，结果表明该算法能够实现有效的协同规划，并生成自我中心规划无法识别的解。
2018-09-10 cs.AI cs.RO
Cooperative Trajectory Planning in Uncertain Environments with Monte Carlo Tree Search and Risk Metrics
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
自动驾驶汽车需要与人类合作的能力，以顺利融入当今的交通。虽然合作的概念是众所周知的，开发一个强大的和有效的合作轨迹规划方法仍然是一个挑战。这一挑战的一个方面是由于传感器精度有限而导致的环境状态的不确定性。这种不确定性可以用部分可观测马尔可夫决策过程来表示。我们的工作解决了这个问题，通过扩展现有的合作轨迹规划方法的基础上连续动作空间的蒙特卡罗树搜索。它通过以根信念状态的形式显式地建模不确定性来实现这一点，从根信念状态开始对树的开始状态进行采样。在用蒙特卡罗树搜索构造树之后，使用核回归将它们的结果聚合成收益分布。我们应用两个风险指标进行最终选择，即置信下限和条件风险值。可以证明，在最终选择策略中集成风险度量在不确定的环境中始终优于基线，从而生成相当安全的轨迹。
2022-11-12 cs.AI cs.MA cs.RO
Optimal path planning of multi-agent cooperative systems with rigid formation
Georgia Institute of Technology（佐治亚理工学院）
本文研究刚性编队多智能体系统的最优路径规划，基于庞特里亚金最小值原理设计控制器，证明各智能体最优控制等价于质心最优控制，从而简化原问题。
2023-09-15 cs.RO
Learning Reward Models for Cooperative Trajectory Planning with Inverse Reinforcement Learning and Monte Carlo Tree Search
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Robert Bosch GmbH（罗伯特·博世有限公司）
自动驾驶车辆的协同轨迹规划方法可以解决需要交通参与者之间高度合作的交通场景。然而，为了使协作系统集成到以人为中心的交通中，自动化系统必须表现得像人类一样，以便人类可以预测系统的决策。虽然强化学习在解决决策部分方面取得了显着进展，但参数化产生可预测行为的奖励模型并非易事。这项工作采用基于特征的最大熵逆强化学习结合蒙特卡罗树搜索学习奖励模型，最大限度地提高记录的多智能体合作专家轨迹的可能性。评估表明，该方法可以恢复一个合理的奖励模型，模仿专家和执行类似的手动调整基线奖励模型。
2022-05-06 cs.LG cs.RO
Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases
Institute for Systems and Robotics（系统与机器人研究所）
本文提出了一种用于稀疏、感知和协作网络化空中机器人团队的路径规划工具，通过考虑环境信息、能量限制和通信约束，优化任务目标并提升群体协作效率。
2026-07-21 cs.RO cs.SY eess.SY
Active Planning for Cooperative Localization: A Fisher Information Approach
University of California San Diego（加州大学圣地亚哥分校）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
位置感知网络将为现代便利、监控和公共安全引入新的服务和应用。在本文中，我们考虑在无线网络中的某些锚节点的位置可以控制的合作定位问题。我们引入了一种主动规划方法，旨在移动锚点，使未来测量的信息增益最大化。在控制层中，控制输入通过最小化近似逆贝叶斯Fisher信息矩阵（FIM）的迹来计算。估计层计算估计的代理状态，并提供高斯表示的边缘后验的代理位置的控制层的近似Bayesian估计计算。基于一个代价函数，累积贝叶斯预测在离散未来时间步的滑动窗口的贡献，滚动时域（RH）控制执行。近似，使其能够有效地解决由此产生的树搜索问题进行了讨论。一个数值的案例研究演示了智能行为的一个单一的控制锚在3-D的情况下，从而显着提高定位精度。
2022-12-30 cs.RO cs.SY eess.SP
Infusing Reachability-Based Safety into Planning and Control for Multi-agent Interactions
Stanford University（斯坦福大学）
在机器人自主堆栈中，规划器和控制器通常是分开设计的，并且用于不同的目的。因此，在确保机器人安全方面，往往存在责任分散的问题。我们建议，计划者和控制者应该共享相同的安全解释，但以不同但互补的方式应用这些知识。为了实现这一目标，我们使用汉密尔顿-雅可比（HJ）可达性理论在规划层面提供的前瞻性，以避免进入可能不可避免的碰撞区域的机器人规划。但是，仅凭这一点并不能保证安全。结合这HJ可达性注入计划，我们提出了一个最小干预的多智能体安全保护控制器也来自HJ可达性理论。安全控制器保持机器人的安全性，而不会过度影响规划器的性能。我们在多智能体高速公路场景中展示了我们提出的方法的好处，其中机器人汽车将获得奖励，以尽可能快地在交通中导航，并且我们表明，与其他安全控制器相比，我们的方法提供了强有力的安全保证，同时实现了最高的性能。
2020-07-31 cs.RO cs.SY eess.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文针对不确定动态障碍物环境下的机器人运动规划安全问题，提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案，以降低碰撞风险，并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Distributed Planning for Serving Cooperative Tasks with Time Windows: A Game Theoretic Approach
University of Minnesota（明尼苏达大学）
我们研究多机器人系统的分布式规划，以提供最佳的服务，在空间和时间上分布的合作任务。每个任务都需要在指定的时间窗口内由足够多的机器人在指定的位置提供服务。任务在每个片段中到达，机器人试图通过根据传入任务的规范规划自己的轨迹来最大化每个片段中的服务总价值。机器人需要在环境中的指定站点开始和结束每一集。我们提出了一个博弈论的解决方案，这个问题的映射到一个游戏，其中每个机器人的行动是它的轨迹在一个插曲，并使用合适的学习算法，以获得最佳的联合计划在分布式的方式。我们提出了一个系统的方法来设计最小的动作集（可行轨迹的子集）的机器人的基础上传入的任务，以促进快速学习的规格。然后，我们提供的情况下，所有的机器人遵循最佳响应或嘈杂的最佳响应算法迭代规划其轨迹的性能保证。而最佳对策算法导致一个纳什均衡，噪声最佳对策算法导致全局最优的联合计划，以高概率。我们表明，所提出的游戏可以在一般情况下有任意差的纳什均衡，这使得嘈杂的最佳对策算法更可取，除非已知的任务规格有一些特殊的结构。我们还描述了一个家庭的特殊情况下，所有的平衡保证有界次优。仿真和实验结果证明了所提出的方法。
2021-07-18 cs.RO cs.SY eess.SY
CTRMs: Learning to Construct Cooperative Timed Roadmaps for Multi-agent Path Planning in Continuous Spaces
Tokyo Institute of Technology（东京工业大学）；OMRON SINIC X（欧姆龙先尼克斯）
连续空间中的多智能体路径规划是一个具有重要现实意义的挑战性问题。一个有前途的方法是首先构建图近似的空间，称为路线图，然后应用多智能体寻路（MAPF）算法，以获得一组无冲突的路径。虽然传统的研究已经利用了为单代理规划开发的路线图构建方法，但我们如何构建有效适用于多代理的路线图，在很大程度上仍未探索。为此，我们提出了一个新的概念，称为合作定时路线图（CTRM）的路线图。CTRM使每个代理能够以考虑其他代理的行为以避免代理间冲突（即，为了构建CTRM，我们开发了一种机器学习方法，该方法从相关问题实例和合理解决方案的集合中学习生成模型，然后使用学习的模型对CTRM的顶点进行采样，以获得新的，以前看不见的问题实例。我们的实证评估表明，使用CTRM显着减少了规划工作与可接受的开销，同时保持成功率和解决方案的质量相比，传统的路线图建设方法。
2022-01-24 cs.LG cs.MA cs.RO
