Multi-Robot Target Tracking with Sensing and Communication Danger Zones
Georgia Institute of Technology(佐治亚理工学院);Drexel University(德雷塞尔大学);University of Pennsylvania(宾夕法尼亚大学);University of Southern California(南加州大学)
针对危险环境中的多机器人目标跟踪问题,提出规避感知与通信危险区域的策略及多智能体跟踪框架,并通过仿真和真实实验验证其有效性。
2024-12-16 cs.RO
Knowledge Transfer Between Robots with Similar Dynamics for High-Accuracy Impromptu Trajectory Tracking
Vector Institute for Artificial Intelligence(矢量人工智能研究所);Electrical Power and Machines Department, Cairo University(开罗大学电力与机械系);School of Mechanical and Aerospace Engineering, Nanyang Technological University(南洋理工大学机械与航空航天工程学院);Department of Engineering, Aarhus University(奥胡斯大学工程系)
在本文中,我们提出了一种在线学习方法,该方法能够将为源机器人学习的逆动力学模型转移到目标机器人(例如,从一个四旋翼到具有不同质量或空气动力学特性的另一个四旋翼)。目标是利用来自源机器人的知识,使得目标机器人从第一次尝试起就以最少的数据收集和训练实现对任意轨迹的高精度轨迹跟踪。大多数现有的多机器人知识转移方法都是基于对从两个机器人收集的数据集的后分析。在这项工作中,我们研究了通过在线学习错误预测模块在机器人之间即兴传输模型的可行性。特别是,我们分析推导出的映射的形式学习的在线模块精确跟踪,提出了一种方法来表征机器人之间的相似性,并使用这些结果来分析整个系统的稳定性。所提出的方法是在模拟和实验验证两个不同的四旋翼执行即兴轨迹跟踪任务,四旋翼需要准确地跟踪任意手绘轨迹从第一次尝试。
2019-03-30 cs.RO
An Optimal Task Allocation Strategy for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology(佐治亚理工学院)
对于一个团队的异构机器人执行多个任务,我们提出了一种新的算法,以最佳分配任务的机器人,同时考虑到他们的不同能力。出于机器人团队在许多实际应用中长时间保持运行的需要,我们允许每个机器人选择任务,除了任务分配的全局规范之外,还考虑执行任务所消耗的能量。这些任务被编码为每个机器人在每个时间点解决的能量最小化问题中的约束。通过在任务约束中引入松弛变量,可以有效地将任务分配给特定的机器人。此外,某些机器人对某些任务的适应性也被考虑到生成一个任务分配算法的机器人与异构能力的团队。所开发的方法的有效性证明了在模拟和一个团队的真实机器人。
2019-09-02 cs.RO
Distributed Simultaneous Action and Target Assignment for Multi-Robot Multi-Target Tracking
Virginia Tech(弗吉尼亚理工大学);Aalto University(阿尔托大学)
研究了多机器人多目标跟踪分配问题。所提出的问题可以看作是混合包装和覆盖问题。为了解决传感和通信范围的限制,考虑了分布式方法。局部算法给出了理论上的运行时间和逼近比的最优解。我们采用局部算法的最大最小线性规划来解决所提出的任务。仿真结果表明,局部算法是解决多机器人任务分配问题的有效方法。
2018-11-06 cs.RO
Robot Inner Attention Modeling for Task-Adaptive Teaming of Heterogeneous Multi Robots
Kent State University(肯特州立大学)
由于团队规模和功能的多样性,异构多机器人系统(HMRS)被广泛应用于灾难搜救、现场监控、社会安全等复杂大规模场景,其中多个具有不同功能和数量的机器人协调执行任务。然而,由于各种任务的要求,它是具有挑战性的,准确地组成一个机器人团队具有适当的大小和功能,以动态地满足任务的需要,同时限制机器人资源成本到一个较低的水平。针对这一问题,提出了一种新的自适应协作方法--内部注意力(innerATT),使异构机器人能够根据任务类型和环境变化灵活地协作执行任务。innerATT是通过将一种新的注意力机制集成到多智能体演员-评论家强化学习架构中而设计的。通过注意力机制,将分析机器人的能力,以灵活地形成团队,以满足任务要求。设计了具有不同任务多样性(“单任务”、“双任务”和“混合任务”)的场景。在柔性协作中的准确性验证了innerATT的有效性。
2021-03-14 cs.RO
Online Connectivity-aware Dynamic Deployment for Heterogeneous Multi-Robot Systems
Carnegie Mellon University(卡内基梅隆大学)
在本文中,我们考虑的动态多机器人分配问题,一组异构的网络机器人的任务是分散,同时向多个移动任务区,同时保持连接。系统的异质性的特征在于各种类别的单元,每个机器人携带不同数量的单元,每个类别代表异质性的能力。每个具有不同重要性的任务区域都需要其区域内所有机器人贡献的单元总数。此外,我们假设的重要性和从每个任务领域要求的单位总数最初是未知的。机器人首先需要探索,即,到达这些地区,然后分配到任务,以满足要求。多机器人分配问题被制定为设计控制器分配的机器人,最大限度地提高整体任务的完成,同时最小化的旅行成本存在的连接约束。我们提出了一种新的连通性感知的多机器人重新分配方法,占异构机器人团队的动态任务分配和连通性维护。这样的方法可以生成次优的机器人控制器,使得通过其重要性加权的任务的总未满足的要求的量最小化,并且机器人始终保持连接。仿真和数值结果证明了所提出的方法的有效性。
2021-04-28 cs.RO
Streamlining stereo differentiable rendering for marker-free real-time tracking of surgical robots
研究针对手术机器人基于标记跟踪易遮挡问题,通过扩展roboreg框架,采用顺序优化和CUDA流并行化等方法,实现无标记实时跟踪,性能优于FoundationPose,推理更快,达到实时高分辨率跟踪,与基于标记方法相当且超越基础模型基线。
2026-07-15 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
Resilient Multi-Robot Target Tracking with Sensing and Communication Danger Zones
Department of Electrical and Computer Engineering, Drexel University(电子与计算机工程系,德雷塞尔大学);GRASP Lab, University of Pennsylvania(GRASP实验室,宾夕法尼亚大学);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);Department of Computer Science, University of Southern California(计算机科学系,南加州大学)
针对对抗性未知环境中多机器人目标跟踪受感知与通信危险区域影响易出故障的问题,提出带软机会约束的非线性优化弹性协调框架,可动态平衡跟踪性能与抗风险能力,经多场景对比和真实实验验证有效。
2025-07-30 cs.RO
Distributed Circumnavigation Control with Dynamic Spacings for a Heterogeneous Multi-robot System
National University of Defense Technology(国防科技大学);Department of Automation(自动化系)
环绕导航控制在现实世界的应用中是有用的,例如诱捕敌对目标。在本文中,我们考虑一个异构的多机器人系统,其中机器人有不同的物理属性,如最大运动速度。在目标诱捕等情况下,根据机器人的特性动态间隔(本文称之为效用)将比等间距更可取。提出了一种基于效用函数的分布式环绕控制算法,使任意数量的移动机器人从任意三维位置环绕目标。动态间距受机器人效用的影响。机器人只能获得其相邻两个机器人的角位置和效用,因此控制律是分布式的。理论分析和实验结果证明了所提出的控制算法的稳定性和有效性。
2018-05-16 cs.RO
Heterogeneous Coalition Formation and Scheduling with Multi-Skilled Robots
Worcester Polytechnic Institute(伍斯特理工学院)
针对异构多机器人系统中多技能任务调度问题,提出两种集中式算法以形成动态联盟并调度机器人,其中一种保证最优但仅适用于小规模,另一种基于启发式可处理大规模且成本接近最优。
2023-06-20 cs.RO
Decentralized Heterogeneous Multi-Robot Collaborative Exploration for Indoor and Outdoor 3D Environments
College of Artificial Intelligence, Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳)人工智能学院);Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong(香港中文大学机械与自动化工程系)
本文提出去中心化协作框架,通过改进的监督体素分割和遗传算法优化,实现异构多机器人在复杂3D环境中的高效探索与通信节约。
2026-05-09 cs.RO
Coverage Control for a Multi-robot Team with Heterogeneous Capabilities using Block Coordinate Descent (BCD) Method
Hong Kong University of Science and Technology(香港科技大学)
在本文中,我们提出了一个覆盖控制系统的多机器人团队与异构能力巡逻或监测有界环境。能力可以定义为机器人的任何标准,如剩余功率或移动速度,这取决于目的。所提出的控制系统旨在根据机器人的能力将环境的不同部分分配给机器人,即,具有较高能力的机器人占据环境的较大部分,而具有较低能力的机器人占据较小部分。我们使用块坐标下降(BCD)的方法来优化部分的位置和分区方法交替。一个集中的机器被用来同步的机器人和每个机器人的梯度可以计算在一个分布式的方式。仿真结果表明,所提出的控制系统的性能。
2022-04-20 cs.RO
Distributed Assignment with Limited Communication for Multi-Robot Multi-Target Tracking
Virginia Tech(弗吉尼亚理工学院暨州立大学)
我们研究的问题,跟踪多个移动目标,使用移动机器人的团队。每个机器人都有一组运动基元可供选择,以便共同最大化跟踪的目标数量或跟踪的总质量。我们的重点是在通信有限的情况下,机器人有有限的时间与邻居分享信息。因此,我们寻求分布式算法,可以在有限的时间内找到解决方案。我们提出了两种算法:(1)尽管在最坏情况下需要$|R|$通信回合,但保证找到最优(集中式)解的$2$近似的贪心算法,其中$|R|$表示机器人的数量;以及(2)在$\mathcal{O}(h\log 1/ε)$通信回合中找到$\mathcal{O}\left((1+ε)(1+1/h)\right)$近似算法的局部算法。这里,$h$和$ε$是允许用户权衡解决方案质量与通信时间的参数。除了理论结果,我们提出了实证评估,包括与集中式最优解的比较。
2019-05-29 cs.RO
D-VLC: Decentralized Vision-Language Collaboration for Heterogeneous Embodied Multi-Robot Systems in Unknown Environments
本文提出D-VLC框架,结合去中心化异步推理等技术,让通用VLM生成机器人特定动作,多场景实验显示其任务成功率超70%,完成时间较几何贪心基线最多缩短55.8%。
2026-08-04 cs.RO
CHORAL: Traversal-Aware Planning for Safe and Efficient Heterogeneous Multi-Robot Routing
Instituto de Investigación en Ingeniería de Aragón, Universidad de Zaragoza(阿拉贡工程研究所,萨拉戈萨大学)
CHORAL通过集成语义感知框架,利用开放词汇视觉模型构建度量-语义地图,为异构多机器人提供安全高效的路径规划。
2026-01-15 cs.RO
Continuous Execution of High-Level Collaborative Tasks for Heterogeneous Robot Teams
Sibley School of Mechanical and Aerospace Engineering, Cornell University(康奈尔大学西布利机械与航空航天工程学院)
提出一种异构多机器人系统控制综合框架,利用LTL^ψ逻辑编码任务,自动生成团队分配与离散行为,实现连续执行并确保协作任务满足,已在物理系统验证。
2024-06-26 cs.RO
Assignment Algorithms for Multi-Robot Multi-Target Tracking with Sufficient and Limited Sensing Capability
Drexel University(德雷塞尔大学)
针对机器人不同感知能力下的多机器人多目标跟踪分配问题,提出两种贪心算法分别解决单机器人足跟踪单目标、双机器人需跟踪单目标场景,证明其近似界与多项式时间特性,实验表明性能接近最优且优于近似界。
2023-07-30 cs.RO
Collision Risk Quantification and Conflict Resolution in Trajectory Tracking for Acceleration-Actuated Multi-Robot Systems
Harbin Institute of Technology Shenzhen(哈尔滨工业大学(深圳));Guangdong Provincial Key Laboratory of Novel Security Intelligence Technologies(广东省新型安全智能技术重点实验室);Southern University of Science and Technology(南方科技大学);University of Oulu(奥卢大学)
针对大规模加速度驱动多机器人系统,本文提出同步避障与轨迹跟踪方法,并通过辅助速度及预防近零速度的决策机制实现非保守、安全高效的死锁消解。
2025-01-07 cs.RO
Decentralized Multi-Robot Obstacle Detection and Tracking in a Maritime Scenario
本文提出了一种分布式多机器人框架,利用无人机与自主水面舰艇协作,通过YOLOv8检测器和扩展卡尔曼滤波实现漂浮集装箱的障碍物检测与跟踪,提升了身份连续性和定位精度。
2026-02-28 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
HeR-DRL:Heterogeneous Relational Deep Reinforcement Learning for Decentralized Multi-Robot Crowd Navigation
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算机学院);Soochow University(苏州大学)
针对多机器人人群导航中交互异构性被忽视的问题,提出基于定制异构GNN的HeR-DRL方法,在单/多机器人圆形穿越场景中超越SOTA,提升安全性与舒适性。
2024-03-15 cs.RO
Epistemic Planning for Heterogeneous Robotic Systems
University of Virginia(弗吉尼亚大学)
针对异构多机器人系统在不可靠通信环境下的规划问题,提出一种基于动态认知逻辑和混合整数规划的框架,使机器人能推理系统状态并优化信息传播,经仿真和实验验证有效。
2023-08-03 cs.RO
Simultaneous Deployment and Tracking Multi-Robot Strategies with Connectivity Maintenance
Universidad de Zaragoza(萨拉戈萨大学);Instituto de Investigación en Ingeniería de Aragón(阿拉贡工程研究所)
由地面和空中车辆组成的多机器人团队在过去几年中受到了关注。我们提出了一个方案,这两种类型的机器人必须从不同的视点监视同一区域。在本文中,我们提出了两个基于机器人的跟踪策略,让地面机器人(代理)遵循空中的(目标),保持代理之间的连接。第一个策略建立密度函数的环境,使目标获得比其他区域更重要的,而第二个迭代修改的虚拟限制的工作区域的位置取决于目标。我们考虑的连通性维护,由于覆盖任务往往会尽可能多地传播代理,这是通过限制他们的运动,使他们保持通信图的最小生成树的链接来解决的。我们提供了一个彻底的参数研究几个模拟场景下所提出的策略的性能。此外,使用逼真的机器人仿真环境和真实实验的方法进行实施和测试。
2018-03-19 cs.RO
Simplified_edition_Multi-robot SLAM Multi-view Target Tracking based on Panoramic Vision in Irregular Environment
Beijing University Of Chemical Technology(北京化工大学)
为了提高多机器人SLAM多视目标跟踪过程的精度,提出了一种改进的不规则环境下基于全景视觉的多机器人SLAM多视目标跟踪算法,通过加入修正因子更新现有的扩展卡尔曼滤波器(EKF)模型,经过两次迭代得到新的坐标X和Y。该论文已被《科学计算与可视化》杂志接受,这是一个简化版本。
2019-11-22 cs.CV cs.RO
Team Assignment for Heterogeneous Multi-Robot Sensor Coverage through Graph Representation Learning
Colorado School of Mines(科罗拉多矿业学院)
传感器覆盖是关键的多机器人问题,通过部署多个机器人来最大限度地检测环境中的事件。大型多机器人系统往往由简单的机器人组成,这些机器人通常没有配备完整的传感器,因此需要具有全面传感能力的团队才能适当覆盖一个区域。机器人还表现出多种形式的关系(例如,通信连接或空间分布),这在为传感器覆盖分配机器人团队时需要考虑。为了解决这个问题,在本文中,我们介绍了一种新的配方的传感器覆盖多机器人系统的异构关系作为一个图形表示学习问题。我们提出了一个原则性的方法,正则化优化的数学框架的基础上学习的统一表示的多机器人系统从图形描述的异构关系,并确定学习表示的底层结构,以分配机器人的团队。为了评估所提出的方法,我们进行了大量的实验模拟多机器人系统和物理多机器人系统作为一个案例研究,表明我们的方法是能够有效地分配团队异构多机器人传感器覆盖。
2021-05-30 cs.MA cs.RO
Needs-driven Heterogeneous Multi-Robot Cooperation in Rescue Missions
HeRo Lab, Department of Computer Science, University of Georgia(佐治亚大学计算机科学系HeRo实验室);University of Georgia(佐治亚大学)
本文重点研究了机器人辅助城市搜救(USAR)任务中多机器人系统的协作问题和异构性的作用。我们提出了一个需求驱动的多机器人合作机制,通过行为树结构表示和评估系统的性能方面的群体效用和能源成本,以实现在有限的时间内的救援任务。通过理论分析,我们证明了在异构机器人系统中,需求驱动的协作比同构机器人系统具有更高的群体效用。我们还进行了仿真实验,以验证所提出的需求驱动的协作,并表明异构多机器人合作,可以实现更好的性能和增加系统的鲁棒性,通过减少任务执行的不确定性。最后,我们讨论了应用于人机合作。
2020-10-25 cs.MA cs.RO
Towards agile multi-robot systems in the real world: Fast onboard tracking of active blinking markers for relative localization
Czech Technical University(捷克技术大学);Mohammed VI Polytechnic University(穆莱·伊沙克·穆莱六世理工学院)
本文提出AMT机载跟踪方法,利用加权多项式回归预测主动闪烁标记的未来出现并处理不确定性,以支持真实世界多机器人的视觉相对定位与光通信,户外实验表明其在跟踪密度、精度和复杂性上优于现有方法。
2025-09-29 cs.CV cs.RO
Safety Barrier Certificates for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology(佐治亚理工学院)
本文提出了一个正式的框架,避免碰撞的多机器人系统,其中现有的控制器进行修改,以最小的侵入方式,以确保安全。我们建立这个框架,通过使用控制障碍功能(CBFs),保证向前不变性的安全集,这些收益率的异构机器人动力学的背景下,受加速度界限的安全屏障证书。此外,安全屏障证书扩展到一个分布式控制框架,其中相邻的代理动态是未知的,通过本地参数识别。最终的结果是一个基于优化的控制器,正式保证在异构多智能体系统中的无碰撞行为,通过最小限度地修改所需的控制器,通过安全屏障约束。这一正式的结果验证了在模拟上的多机器人系统组成的笨重和敏捷的机器人,实验证明了一个麦哲伦Pro机器人和三个Khepera III机器人的系统。
2016-09-02 cs.RO math.OC
Task-Driven Co-Design of Heterogeneous Multi-Robot Systems
Massachusetts Institute of Technology(麻省理工学院)
本文提出一个基于单调协同设计理论的正式组合框架,用于异构多机器人系统的任务驱动协同设计,通过机器人相图定性指导,实现机器人设计、编队和规划的联合优化,并保证最优性。
2026-09-29 cs.MA cs.RO
Can a Robot Walk the Robotic Dog: Triple-Zero Collaborative Navigation for Heterogeneous Multi-Agent Systems
Yuanpei College, Peking University(北京大学元培学院);School of Computer Science, Peking University(北京大学计算机学院);School of Computer Science, Beijing University of Posts and Telecommunications(北京邮电大学计算机学院);Pengcheng Laboratory(鹏城实验室);Beijing Jinruyi Large Model Technology Co., Ltd.(北京金如意大模型科技有限公司)
本文提出三零路径规划框架,通过协调者-探索者架构实现无需训练、无需先验知识和无需模拟的异构多机器人系统协作导航,实验显示其在复杂环境中具有鲁棒性和适应性。
2026-03-27 cs.MA cs.RO
Scalable Distributed Planning for Multi-Robot, Multi-Target Tracking
NASA Jet Propulsion Laboratory (JPL)(美国国家航空航天局喷气推进实验室);Carnegie Mellon University (CMU)(卡内基梅隆大学)
在多机器人多目标跟踪中,机器人协调监视在环境中移动的目标群。我们的做法规划这样的情况下,制定一个滚动时域,多机器人传感问题的互信息目标。这类问题一般都是NP难问题。然而,我们的目标是次模块化,使某些贪婪的规划,以保证常数因子次优。然而,这些贪婪的规划者要求机器人按顺序规划他们的行动,一次一个机器人,所以规划时间至少与机器人的数量成正比。对于大型团队来说,解决这些问题变得非常棘手,即使是分布式实现。我们以前的工作提出了一个分布式规划器(RSP),它减少了这个顺序步骤的数量为常数,即使是大量的机器人,通过允许机器人并行计划,而忽略一些其他的决定。虽然该分析是不适用于目标跟踪,我们证明了类似的保证,RSP规划方法的性能保证完全顺序的规划者,采用一种新的约束,利用目标运动的独立性,量化机器人的观察和行动之间的有效冗余。此外,我们提出的分析,明确占实际实施的功能,包括近似的目标和随时规划。仿真结果-可通过开放源代码发布-与测距传感器的目标跟踪表明,我们的规划者一贯的做法的性能顺序规划(在位置不确定性方面),只有2- 8规划步骤和多达96个机器人的顺序步骤的数量减少了24倍的规划。因此,这项工作使得规划多机器人目标跟踪易于处理,在更大的规模比以前,为实际的规划者和一般的跟踪问题。
2021-07-18 cs.RO cs.SY eess.SY
From Real-Time Planning to Reliable Execution:Scalable Coordination for Heterogeneous Multi-Robot Fleets in Industrial Environments
提出SCALE反应式在线协调框架,通过运动诱导冲突减少机制和广义共轭动作-优先超图,实现异构多机器人车队的实时路径规划与鲁棒执行,经仓库部署验证有效性。
2026-07-07 cs.MA cs.RO
Robust Multi-Robot Active Target Tracking Against Sensing and Communication Attacks
University of Pennsylvania(宾夕法尼亚大学)
多机器人目标跟踪问题要求主动规划机器人的关节运动来跟踪目标。在本文中,我们专注于这样的目标跟踪问题在对抗性的环境中,攻击或故障可能会使机器人的传感器和通信。与以前只考虑不攻击或传感攻击的工作相比,我们正式提出了第一个鲁棒的多机器人跟踪框架,该框架考虑了任何固定数量的最坏情况下的传感和通信攻击。为了防止这种攻击,我们设计了第一个强大的规划算法,名为鲁棒主动目标跟踪(RATT),它近似的通信攻击等效的传感攻击,然后优化对近似和原始传感攻击。我们表明,RATT提供了可证明的次优界的跟踪质量的任何非递减的目标函数。我们的分析利用曲率的符号集函数引入组合优化。此外,RATT在多项式时间中运行,并且以与用于(非鲁棒)目标跟踪的最新算法相同的运行时间终止。最后,我们评估RATT在各种情况下的定性和定量模拟。在评估中,RATT表现出的跟踪质量是接近最佳的,优于不同的非鲁棒性算法。我们还证明了RATT的优越性和鲁棒性对不同的攻击模型(例如,最坏情况和有界理性攻击)。
2021-09-20 cs.DS cs.GT cs.MA
Resilience in multi-robot multi-target tracking with unknown number of targets through reconfiguration
University of Southern California(南加州大学)
我们解决的问题,保持资源的可用性在一个网络化的多机器人团队进行分布式跟踪未知数量的目标在感兴趣的环境。基于我们的模型,机器人配备了传感和计算资源,使他们能够合作跟踪一组目标的环境中使用分布式概率假设密度(PHD)过滤器。我们使用机器人的传感器测量噪声协方差矩阵的轨迹来量化其传感质量。在执行跟踪任务时,如果机器人经历传感器质量降级,则机器人团队的通信网络被重新配置,使得具有故障传感器的机器人可以与其他机器人共享信息,以提高团队的目标跟踪能力,而无需强制执行活动通信链路的数量的大的变化。一个监控团队的中央系统执行所有的网络重新配置计算。我们考虑两种不同的PHD融合方法在本文中,并提出了四种不同的混合半定规划(MISDP)配方(两个配方为每个PHD融合方法),以实现我们的目标。所有四个MISDP配方进行了验证模拟。
2020-04-15 cs.MA cs.RO cs.SY
Human-Robot Trust Integrated Task Allocation and Symbolic Motion planning for Heterogeneous Multi-robot Systems
Clemson University(克莱姆森大学)
针对多机器人系统(MRS)并发执行任务的问题,提出了一种人机信任集成的任务分配和运动规划框架。一组并行的任务规范与MRS相结合,合成一个任务分配自动机。任务分配自动机的每一次转换都与人类对相应机器人的总信任值相关联。在这里,人与机器人的信任模型的构建与动态贝叶斯网络(DBN)考虑个人机器人的性能,安全系数,人类认知工作量和任务分配的整体评价。因此,可以基于任务分配自动机中每个机器人的当前信任值来搜索具有最大编码的人-机器人信任的任务分配路径。每个机器人在获得动作序列后,执行符号运动规划(SMP)。任务分配路径可以间歇地更新与此DBN的信任模型。通过5个机器人和3个并行子任务自动机的仿真,证明了整体策略。
2018-10-26 cs.MA cs.RO
Blockchain-Powered Collaboration in Heterogeneous Swarms of Robots
University of Turku(图尔库大学)
在异构多机器人系统内的协作的关键挑战之一是具有不同的传感能力和计算资源的机器人之间共享的数据的量和类型的优化。在本文中,我们提出了一种新的方法来管理协作条款在异构多机器人系统与区块链技术。利用区块链领域对共识算法的广泛研究,我们利用该领域的关键技术集成到机器人系统中实现共识。我们建议利用工作量证明系统在不同的机器人有一个在线估计的可用计算资源。此外,我们还定义了智能合约,集成了来自不同机器人的环境信息,以评估和排名每个机器人传感器数据的质量和准确性。这意味着异构机器人协作中涉及的关键参数被集成在区块链中,并在所有机器人上进行平等估计,而无需明确共享有关机器人硬件或传感器的信息。可信性基于对每个数据交换交易中提交给区块链的数据样本的验证,并由在同一环境中运行的其他机器人进行验证。初步结果的报告表明,本文提出的概念的可行性。
2020-07-05 cs.CR cs.MA cs.RO
Resilient Task Allocation in Heterogeneous Multi-Robot Systems
University of Pennsylvania(宾夕法尼亚大学);Lehigh University(利哈伊大学)
针对一个具有异构能力的多机器人系统,本文提出了一种机制,当异常环境条件如天气事件或对抗攻击影响任务内机器人的性能时,该机制以弹性的方式将机器人分配到任务中。我们的主要目标是确保为每个任务分配必要的资源水平,以分配给任务的机器人的聚合能力来衡量。通过跟踪外部扰动下的任务性能偏差,我们的框架量化了机器人能力(例如,视觉感知或空中机动性)受到环境条件的影响。这使得基于优化的框架能够根据每个任务中最退化的能力灵活地将机器人重新分配给任务。在面对资源的限制和不利的环境条件下,我们的算法最低限度地放松了相应的一些任务的资源约束,从而表现出一个优雅的性能下降。在多机器人覆盖和目标跟踪场景中的仿真实验证明了该方法的有效性。
2021-01-07 cs.MA cs.RO
Underwater Multi-Robot Convoying using Visual Tracking by Detection
McGill University(麦吉尔大学);Element AI(Element AI 公司)
我们提出了一个强大的多机器人护送的方法,依赖于视觉检测的领先代理,从而使目标以下非结构化的3-D环境。我们的方法是基于检测跟踪的思想,它交织有效的基于模型的目标检测与基于图像的限界框估计的时间滤波。这种方法具有减轻跟踪漂移(即,偏离目标对象)的重要优点,跟踪漂移是无模型跟踪器的常见症状,并且在实践中不利于持续护航。为了说明我们的解决方案,我们收集了海洋环境中水下机器人的大量镜头,并在每帧中手动注释其位置。基于这个数据集,我们提出了多个跟踪器变体的经验比较,包括使用几个卷积神经网络,有和没有经常性的连接,以及基于频率的无模型跟踪器。我们还证明了这种跟踪检测策略在现实世界中的场景中的实用性,成功地控制一个有腿的水下机器人在五个自由度跟随另一个机器人的独立运动。
2017-09-25 cs.AI cs.LG 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
Leveraging Adaptive Group Negotiation for Heterogeneous Multi-Robot Collaboration with Large Language Models
Tsinghua University(清华大学);Central South University(中南大学);Shanghai AI Laboratory(上海人工智能实验室)
CLiMRS通过自适应群体谈判框架提升异构多机器人协作效率,实验显示在复杂任务中效率提升超40%。
2025-12-29 cs.AI cs.CL cs.RO
Heterogeneous Swarms for Maritime Dynamic Target Search and Tracking
Thales Solutions Asia Pte Ltd(泰雷兹亚洲解决方案私人有限公司);Massachusetts Institute of Technology(麻省理工学院)
目前的海上目标搜索和跟踪战略主要是基于使用代理人按照预定的路径进行搜索区域的系统扫描。最近,动态粒子群优化(PSO)算法已被用于群集多机器人系统(MRS),搜索和跟踪解决方案的鲁棒性,可扩展性和灵活性的附加属性。群集MRS也给最终用户的机会,逐步升级的机器人系统,不可避免地导致使用异构群集MRS。然而,这样的系统还没有得到很好的研究,并将升级代理到一个群可能会导致任务性能下降。在本文中,我们提出了一种基于PSO的策略,使用拓扑k-最近邻图与可调的探索和开发动态与自适应排斥参数。该策略是在一个模拟的50个代理的群体中实现的,其中快速代理的比例不同,跟踪由一个虚构的二进制函数表示的目标。通过这些模拟,我们能够证明,在群体的集体响应水平和目标跟踪性能的增加,取代在一定比例的快速浮标。
2020-08-03 cs.RO cs.SY eess.SY
Online Submodular Coordination with Bounded Tracking Regret: Theory, Algorithm, and Applications to Multi-Robot Coordination
University of Michigan(密歇根大学)
我们在不可预测的环境中实现高效和有效的协调,即,在其未来的进化是未知的先验,甚至对抗性的环境中。我们的动机是未来的自主性,涉及多个机器人在动态,非结构化和对抗性环境中协调,以完成复杂的任务,如目标跟踪,环境测绘和区域监控。这些任务通常被建模为子模块最大化协调问题。我们介绍了第一个有界跟踪遗憾的子模块协调算法,即,关于先验知道未来的最优时变行动具有有界次优性。边界随着环境的能力而优雅地退化。它还量化了机器人必须重新选择动作以“学习”协调的频率,就好像它们先验地知道未来一样。该算法要求机器人根据序列中先前机器人选择的动作顺序地选择动作。特别是,该算法将Fisher等人的开创性的顺序贪婪算法推广到不可预测的环境中,利用子模块和算法来跟踪最佳专家。我们在目标跟踪的模拟场景中验证了我们的算法。
2023-02-19 cs.AI cs.MA cs.RO
Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection
University of Cambridge(剑桥大学);University of Pennsylvania(宾夕法尼亚大学);University of Maryland(马里兰大学)
分散式多机器人目标跟踪问题要求联合选择动作,例如,运动基元,用于机器人通过本地通信最大限度地提高目标跟踪性能。实际实现的一个主要挑战是使目标跟踪方法可扩展到大规模的问题实例。在这项工作中,我们提出了一个通用的学习架构,以大规模的协作目标跟踪,分散的通信。特别是,我们的学习架构利用图神经网络(GNN)来捕获机器人的本地交互,并学习机器人的分散决策。我们训练的学习模型,通过模仿专家的解决方案,并实现所产生的模型,分散的行动选择只涉及当地的观察和通信。我们展示了我们的GNN为基础的学习方法的性能在一个场景中的主动目标跟踪与大型网络的机器人。仿真结果表明,我们的方法几乎匹配的专家算法的跟踪性能,但运行几个订单更快,多达100个机器人。此外,它的性能略优于分散式贪心算法,但运行速度更快(特别是超过20个机器人)。结果还展示了我们的方法在以前看不见的情况下的泛化能力,例如,更大的环境和更大的机器人网络
2022-09-14 cs.AI cs.LG cs.MA
Scheduling of Missions with Constrained Tasks for Heterogeneous Robot Systems
University of York(约克大学);University of Málaga(马拉加大学)
本文提出了一种多机器人任务的正式任务分配与调度方法(KANOA)。KANOA支持两种重要的任务约束类型:任务排序,要求以指定的顺序执行多个任务;联合任务,表示必须由多个机器人执行的任务。为了减轻机器人任务规划的复杂性,KANOA处理任务任务分配给机器人,并单独调度分配的任务。为此,任务分配问题是正式的一阶逻辑和解决使用合金模型分析器,和任务调度问题被编码为马尔可夫决策过程和解决使用PRISM概率模型检查器。我们说明KANOA的应用程序通过一个案例研究,其中一个异构的机器人团队被分配到医院的维护任务。
2022-09-28 cs.LO cs.MA cs.RO
Generalized Mission Planning for Heterogeneous Multi-Robot Teams via LLM-constructed Hierarchical Trees
Honda Research Institute USA(美国本田研究所)
本文提出一种针对异构多机器人团队的任务规划策略,利用大型语言模型构建层次树以分解复杂任务,并生成符合各机器人约束与能力的优化调度,验证了框架的灵活性与可扩展性。
2025-01-27 cs.AI cs.MA cs.RO
A Resilient and Energy-Aware Task Allocation Framework for Heterogeneous Multi-Robot Systems
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(乔治亚理工学院机器人与智能机器研究所);GRASP Laboratory, University of Pennsylvania(宾夕法尼亚大学GRASP实验室);Combat Capabilities Development Command, Army Research Laboratory (CCDC ARL)(陆军研究实验室作战能力发展司令部(CCDC ARL))
在异构的多机器人团队部署执行多个任务的背景下,本文开发了一个能源感知的框架分配任务的机器人在网上的方式。我们主要关注长期自治应用程序,因此选择了以生存性为中心的方法。为此,任务的优先级和执行-通过它的任务分配给机器人是有效地实现-被编码为一个优化问题内的约束,旨在最大限度地减少机器人在每个时间点消耗的能量。在这种情况下,分配被解释为每个机器人对任务的优先级高于所有其他任务。此外,我们提出了一种新的框架来表示机器人的异构能力,通过区分机器人上可用的功能,以及这些功能所支持的功能。通过将这些描述嵌入到优化问题中,我们使框架能够适应环境条件使某些功能不适合支持功能以及机器人上发生组件故障的情况。我们证明了所提出的方法在各种用例场景中的有效性和弹性,包括模拟和真实的机器人实验。
2021-05-12 cs.RO cs.SY eess.SY
Adaptive Task Allocation for Heterogeneous Multi-Robot Teams with Evolving and Unknown Robot Capabilities
Georgia Institute of Technology(佐治亚理工学院);CCDC Army Research Laboratory(美国陆军研究实验室)
对于具有异构能力的多机器人团队,典型的任务分配方法根据机器人执行某些任务的适合性以及任务本身的要求将任务分配给机器人。然而,在机器人团队的实际部署中,机器人的适用性可能在部署之前是未知的,或者可能由于环境条件的变化而变化。本文提出了一种自适应的任务分配和任务执行框架,它允许单个机器人之间的优先级任务,同时明确考虑到他们的效率在执行任务-其参数可能是未知的部署前和/或可能会随着时间的推移而变化。这样一个\emph{specialization}参数-编码一个给定的机器人对一个任务的有效性-是动态更新的,允许我们的算法重新分配机器人之间的任务,目的是执行它们。开发的框架不需要明确的模型变化的环境或未知的机器人的能力-它只考虑到机器人在完成任务的进展。仿真和实验表明,所提出的方法在环境条件的变化,当机器人的能力是未知的部署前的有效性。
2020-03-06 cs.RO cs.SY eess.SY
Robotics Vision-based Heuristic Reasoning for Underwater Target Tracking and Navigation
提出了一种基于机器人视觉的水下目标跟踪与导航启发式推理系统。引入该系统是为了提高水下遥控潜水器(ROV)操作的自动化水平。设计并研制了一台将计算机视觉与水下机器人系统相结合的水下机器人系统样机,实现了水下机器人的目标跟踪和智能导航。...
2006-01-14 cs.RO
Robust Tracking Control for Constrained Robots
National Institute of Applied Sciences and Technology(国立应用科学技术学院)
针对刚度未知环境下的受限机器人,提出了一种新的鲁棒跟踪控制律。使用基于Lyapunov的方法,机器人系统的误差动态和它的能量之间的关系,证明了控制器的稳定性和鲁棒性。最后,一个3自由度约束的机器人手臂被用来证明该方法的稳定性,鲁棒性和安全性。
2014-05-08 cs.RO
Deep learning framework for robot for person detection and tracking
使用机器人平台鲁棒地跟踪人群中感兴趣的人是人机交互的基石之一。机器人平台受到计算能力、快速运动和目标遮挡的限制,需要一个高效、鲁棒的框架来执行跟踪。本文提出了一种深度学习框架,用于使用具有立体相机的移动机器人跟踪人。提出的系统检测一个人的头部的基础上,然后利用低成本,高速回归网络为基础的跟踪器,实时跟踪感兴趣的人。移动机器人的视觉伺服已经设计使用PID控制器,利用跟踪器的输出和深度估计的人在随后的帧,从而提供平滑和自适应运动的机器人的目标运动的基础上。该系统已在实际环境中进行了测试,从而证明了其有效性。
2022-04-19 cs.RO
Gyroscopically Stabilized Robot: Balance and Tracking
单轮陀螺稳定机器人Gyrover是一个动态稳定但静态不稳定的欠驱动系统。本文在机器人动力学模型的基础上,研究了与系统相关的两类非完整约束。然后,基于反推技术,我们提出了一个控制律的平衡控制陀螺仪。其次,通过将系统状态从直角坐标系转换到极坐标系,给出了直角空间中的点到点控制和直线跟踪控制律。
2004-12-11 cs.RO
Deploying COTS Legged Robot Platforms into a Heterogeneous Robot Team
CSIRO(联邦科学与工业研究组织)
商业现货(COTS)足式机器人平台的最近可用性已经开辟了将腿式系统部署到不同场景中的新机会。虽然足式机器人的主要优势是它们能够穿越非结构化地形,但机器人平台所能实现的目标与它们的动物同行之间仍然存在很大的差距。因此,当作为不同平台的异构机器人团队的一部分进行部署时,了解腿式平台比轮式、履带式或空中平台表现更好的不同场景是有益的。两个COTS四足机器人,Ghost Robotics的Vision 60和Boston Dynamics的Spot,被部署到一个异构的团队中。描述了一些面临的挑战,同时整合的平台,以及在穿越不同地形的一些实验提供给洞察到现实世界中部署的足式机器人。
2021-06-14 cs.RO
On Model Predictive Path Following and Trajectory Tracking for Industrial Robots
Norwegian University of Science and Technology(挪威科技大学);SINTEF DIGITAL(SINTEF数字研究所)
在这篇文章中,我们将展示如何模型预测路径跟踪控制器允许机器人机械手停止在障碍物的方式,模型预测轨迹跟踪控制器不能。我们提出了这两个控制器应用于机器人机械手,模拟两连杆机械手使用内点求解器,考虑离散化的最优控制问题,使用配置或龙格库塔,并讨论我们的实施模型预测路径跟踪控制器的实时可行性。
2017-03-07 cs.RO