Auction-Consensus Algorithm with Learned Bidding Scheme for Multi-Robot Systems
Department of Electrical and Computer Engineering, The University of Texas at Rio Grande Valley (UTRGV)(德克萨斯理工大学里奥格兰德谷分校电子与计算机工程系);Department of Mechanical Engineering, UTRGV(UTRGV机械工程系);Department of Computer Science, Donald Bren School of Information and Computer Sciences, University of California, Irvine(加州大学尔湾分校计算机科学系);Department of Computer Science, UTRGV(UTRGV计算机科学系)
本文提出了一种学习增强的拍卖-共识框架,通过强化学习训练神经出价策略来改进多机器人系统的任务分配,保留了传统的拍卖和共识阶段以实现去中心化协调。
2026-05-21 cs.RO
Multi-Robot Target Search using Probabilistic Consensus on Discrete Markov Chains
Arizona State University(亚利桑那州立大学);University of California, Los Angeles(加州大学洛杉矶分校)
在本文中,我们提出了一个基于概率共识的多机器人搜索策略,是强大的通信链路故障,因此是适合受灾地区。机器人,只能本地通信,探索有界的环境,根据离散时间离散状态(DTDS)马尔可夫链建模的随机行走,并与相邻的机器人交换信息,从而在一个随时间变化的通信网络拓扑结构。所提出的策略被证明是实现共识,这里定义为协议的存在一个静态的目标,没有假设的通信网络的连接。使用数值模拟,我们调查的机器人人口的大小,域的大小,和信息的不确定性的共识时间统计在这个计划下的效果。我们还验证了我们的理论结果与3D物理为基础的模拟在Gazebo。仿真结果表明,所有的机器人在有限的时间内达成共识,提出的搜索策略在一定范围内的机器人密度的环境。
2020-09-20 cs.MA cs.RO
Semantic OcTree Mapping and Shannon Mutual Information Computation for Robot Exploration
University of California San Diego(加州大学圣地亚哥分校)
在非结构化和未知环境中的自主机器人操作需要使用流式范围和视觉观察进行映射和探索的有效技术。基于信息的探测技术,如柯西-施瓦茨二次互信息(CSQMI)和快速香农互信息(FSMI),已经成功地实现了主动二进制占用映射与距离测量。然而,当我们设想机器人执行复杂的任务,指定语义有意义的概念,它是必要的,以捕捉语义的测量,地图表示,和探索的目标。这项工作提出了语义八叉树映射和香农互信息(SSMI)计算机器人探索。我们开发了一个贝叶斯多类映射算法的基础上八叉树数据结构,其中每个体素保持一个分类分布的语义类。我们推导出一个封闭形式的有效计算的香农互信息之间的一个多类八元映射和一组范围类别的测量使用语义行程长度编码的传感器射线的下限。该界限允许快速评估许多潜在的机器人轨迹的自主探索和映射。我们将我们的方法与最先进的探索技术进行比较,并将其应用于各种模拟和真实世界的实验中。
2023-02-25 cs.RO
Grouping Auction-Consensus Algorithm for Decentralized Task Allocation in Multi-Robot Systems
The University of Texas at Rio Grande Valley(德克萨斯大学里奥格兰德河谷分校);University of California, Irvine(加州大学欧文分校)
针对CBBA在多机器人分布式任务分配中空间分布环境下的次优问题,提出GACA算法,通过分组投标机制提升最优性,在多场景测试中优于CBBA且具备良好可扩展性。
2026-08-18 cs.RO
A Distributed Multi-Robot Framework for Exploration, Information Acquisition and Consensus
Imperial College London(伦敦帝国理工学院)
针对多机器人复杂任务分布式协调中各层面割裂求解的问题,提出将探索、信息获取等全任务建模为多层连接的单因子图,采用支持并行/异步计算的高斯置信传播推理,首次验证分布式GBP可实现多机器人智能协作而非个体自私行为。
2023-10-03 cs.RO
Distributed Navigation of Multi-Robot Systems For Sensing Coverage
School of Electrical Engineering and Telecommunications, The University of New South Wales(新南威尔士大学电气工程与电信学院)
本研究探讨分散控制的移动机器人覆盖问题。针对覆盖控制问题,存在与分散控制策略相关的不同方法。我们对这些方法进行了比较,并使用基于简单的局部协调规则的方法。我们调查这个广泛使用的最近邻规则为基础的方法开发覆盖控制算法。在这种方法中,一个移动机器人给予同等的重要性,每个邻居机器人在其通信范围内。我们通过使一些移动机器人比团队中的其他成员发挥更有影响力的作用来开发我们的控制方法。基于这种控制策略的方法变得有效的控制输入,说航向角,速度等达成共识的分散控制的移动机器人也可以表现出一些物理约束下的循环行为,如量化的方向的移动机器人。我们进一步研究循环行为出现由于移动机器人的量化控制在一定条件下。我们最近的邻居规则为基础的方法提供了一个有偏见的策略,循环行为的情况下出现在移动机器人的团队。我们认为一个集群技术的移动机器人团队内部。我们的分散控制策略计算移动机器人的邻居之间的相似性度量。移动机器人团队的相似性度量为基础的方法变得有效,在实现快速的共识,如航向角或速度。我们对我们开发的方法进行了严格的数学分析。我们还开发了一个条件的基础上放松的标准达成共识的速度或航向角的移动机器人。我们的验证方法是基于数学论证和广泛的计算机模拟。
2016-09-29 cs.RO
Distributed Planning for Rigid Robot Formations using Consensus on the Transformation of a Base Configuration
Technical University of Denmark(丹麦技术大学)
针对杂乱环境中的刚性多机器人编队导航问题,提出一种基于基础构型变换一致性的去中心化分布式规划方法,可保证编队约束并具备反应式规划所需的运行时效率。
2023-07-14 cs.RO cs.SY eess.SY
Consensus-based Resource Scheduling for Collaborative Multi-Robot Tasks
School of Computing, University of Georgia(佐治亚大学计算机学院)
本文提出将边缘计算与共识调度相结合的去中心化方法,用于多机器人协作任务,通过效用最大化选择资源,实现更低延迟、更高吞吐量和更好帧率。
2023-11-16 cs.NI 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
Emergence of Consensus in a Multi-Robot Network: from Abstract Models to Empirical Validation
National Research Council(国家研究委员会);Sapienza University of Rome(罗马大学);University of Sheffield(谢菲尔德大学);City University London(伦敦城市大学)
在分散的多智能体系统的共识动态受到激烈的研究,并提出了几种不同的模型和分析。其中,命名游戏脱颖而出,其简单性和适用性,以广泛的现象和应用,从符号学到工程。尽管有广泛的研究,在实际的分布式系统中实现理论模型并不总是简单的,因为物理平台施加了几个约束,可能会对共识动态产生影响。在本文中,我们调查的kilobot机器人平台的命名游戏的实施,其中我们考虑并发执行的游戏和物理干扰的影响。共识动力学的不断发展的通信网络中创建的机器人,强调不同的制度如何至关重要地依赖于机器人的密度和他们的能力,广泛传播的实验舞台上的光进行分析。我们发现,物理干扰减少了机器人的流动性方面的共识时间带来的好处,但也会导致较低的认知负荷的个人代理。
2016-01-19 cs.MA cs.RO cs.SI
Consensus-based Fast and Energy-Efficient Multi-Robot Task Allocation
Indian Institute of Technology Bhubaneswar(印度理工学院布巴内斯瓦尔分校);TCS Research(塔塔咨询服务公司研究院)
在一个多机器人系统中,将任务适当地分配给各个机器人是非常重要的组成部分。集中式基础设施的可用性可以保证任务的最佳分配。然而,在许多重要的场景中,如搜索和救援、勘探、灾害管理、战场等,以分散的方式将动态任务动态分配给机器人是唯一可能的选择。机器人之间的有效通信在任何这种分散的环境中都起着至关重要的作用。现有的分布式多机器人任务分配(MRTA)的工作要么假设网络是可用的,或者使用一个天真的通信范式。相反,在大多数情况下,网络基础设施要么不稳定,要么不可用,ad-hoc网络是唯一的手段。在无线传感器网络(WSN)/物联网(IoT)应用等自组织网络中,基于同步传输(ST)的无线通信协议的最新发展被证明比传统的基于异步传输的协议更有效。目前的工作是第一次努力,利用ST的MRTA。具体来说,我们提出了一种算法,有效地适应ST为基础的多对多的互动,并尽量减少信息交换,以达成共识的任务分配。我们展示了所提出的算法的有效性,通过广泛的基于模拟的研究,其延迟和能源效率在不同的设置。
2022-09-21 cs.NI cs.RO
Dynamic Median Consensus for Marine Multi-Robot Systems Using Acoustic Communication
University of Zagreb Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
在本文中,我们提出了一个动态的中位数共识协议的多智能体系统使用声通信。激励目标的情况下,是一个多智能体系统组成的水下机器人作为智能传感器,适用于连续监测的海洋环境的状态。建议的协议允许每个代理跟踪所有代理的个人测量的中值,通过本地通信与相邻的代理。中位数被选为对离群值鲁棒的度量,而不是通常使用的平均值。与现有的共识协议相比,该协议是动态的,使用切换通信拓扑结构,并收敛到测量信号的中值。从理论上证明了协议的稳定性和正确性。对协议进行了仿真测试,分析了协议的准确性以及协议参数对系统输出的影响。该协议的实施和验证的一组实验的水下机器人组包括aMussel单位。这个实验装置是第一个部署任何类型的共识协议的水下设置之一。仿真和实验结果均证实了该方法的正确性。
2022-05-04 cs.RO cs.SY eess.SY
DiNNO: Distributed Neural Network Optimization for Multi-Robot Collaborative Learning
Stanford University(斯坦福大学)
我们提出了一种分布式算法,使一组机器人协作优化的参数,同时通过网状网络进行通信的深度神经网络模型。每个机器人只能访问自己的数据,并维护自己版本的神经网络,但最终学习的模型就像是在所有数据上集中训练的一样好。没有机器人通过无线网络发送原始数据,保护数据隐私并确保无线带宽的有效使用。在每次迭代中,每个机器人近似地优化一个增广拉格朗日函数,然后将得到的权重传递给它的邻居,更新对偶变量,然后重复。最终,所有机器人的局部网络权重达成共识。对于凸目标函数,我们证明了这种共识是一个全局最优。我们将我们的算法与两种现有的分布式深度神经网络训练算法进行了比较:(i)MNIST图像分类任务,(ii)多机器人隐式映射任务,以及(iii)多机器人强化学习任务。在我们所有的实验中,我们的方法都超过了基线,并且能够实现与集中训练模型相当的验证损失。请参阅\href{https://msl.stanford.edu/projects/dist_nn_train}{https://msl.stanford.edu/projects/dist\_nn\_train}获取视频和GitHub存储库的链接。
2021-09-17 cs.RO
Hierarchical Consensus-Based Multi-Agent Reinforcement Learning for Multi-Robot Cooperation Tasks
Beihang University(北京航空航天大学);State Grid Corporation of China(国家电网有限公司)
提出HC-MARL框架,通过对比学习构建多层级全局共识,并结合自适应注意力机制优化多机器人协作,显著超越基线。
2024-08-23 cs.AI cs.MA cs.RO
Probabilistic Consensus on Feature Distribution for Multi-robot Systems with Markovian Exploration Dynamics
Arizona State University(亚利桑那州立大学)
在本文中,我们提出了一种基于共识的分散式多机器人方法来重建离散分布的功能,建模为占用网格地图,表示包含在一个有界的平面二维环境中的信息,如用于导航或语义标签与目标检测的视觉线索。机器人根据离散时间离散状态(DTDS)马尔可夫链建模的随机行走来探索环境,并使用分布式的DADFF融合协议,从它们自己的测量值和相邻机器人传达的估计值中估计特征分布。我们证明,在这种分散的融合协议,每个机器人的特征分布收敛到地面真理分布在几乎肯定的意义。我们在数值模拟中验证了这一结果,结果表明,对于每个机器人,估计和地面真实特征分布之间的Hellinger距离随着时间的推移收敛到零。我们还验证了我们的策略,通过软件在环(SITL)模拟的四旋翼搜索一组分布在一个离散化的圆上的视觉功能的有界正方形网格。
2022-04-27 cs.MA cs.RO cs.SY
LL-Localizer: A Life-Long Localization System based on Dynamic i-Octree
School of Computer Science, Guangdong University of Technology(广东工业大学计算机学院);Centre for Advanced Robotics Technology Innovation, Nanyang Technological University(南洋理工大学先进机器人技术创新中心)
本文提出基于增量体素和Dynamic i-Octree的终身定位系统LL-Localizer,通过动态更新先验地图,在环境变化及跨区域穿行时实现鲁棒准确的实时定位。
2025-04-02 cs.RO
Fully Distributed GNE Algorithms for Multi-Robot Placement without Consensus on Multipliers
University of Minnesota(明尼苏达大学)
针对多机器人部署的广义纳什均衡问题,提出无需乘子交换的完全分布式连续时间及离散时间算法,降低通信开销、提升隐私,经多机器人部署任务验证有效。
2026-09-01 cs.AI cs.GT cs.LG
SubCDM: Collective Decision-Making with a Swarm Subset
School of Electronics and Computer Science, University of Southampton(电子与计算机科学学院,南安普顿大学)
针对现有机器人群体集体决策需全员参与、资源消耗高的问题,提出动态去中心化的SubCDM方法,仅用自适应规模的群体子集决策,在100台机器人仿真中准确率比肩全群体方案,更节省资源。
2025-08-01 cs.RO
Distributed Resilience-Aware Control in Multi-Robot Networks
University of Michigan(密歇根大学)
针对多机器人系统中异常智能体导致的弹性共识难题,提出一种基于控制屏障函数的分布式控制律,仅用局部信息在时变网络中同时保证弹性共识与碰撞避免,并通过仿真验证。
2025-09-10 cs.RO cs.SY eess.SY
Multi-Robot Trajectory Generation via Consensus ADMM: Convex vs. Non-Convex
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文通过多机器人轨迹规划比较凸与非凸C-ADMM,提出结合缓冲Voronoi单元的凸方法以规避非凸避碰约束,实验表明其收敛迭代次数减少1000次,而非凸基线会产生次优解并违反安全约束。
2024-10-02 cs.RO cs.SY eess.SY
A Survey of Distributed Optimization Methods for Multi-Robot Systems
Stanford University(斯坦福大学)
分布式优化由多个计算节点共同工作,通过局部计算迭代和网络约束的通信步骤来最小化公共目标函数组成。在机器人技术的背景下,分布式优化算法可以使多个机器人系统在没有集中协调的情况下完成任务。我们提出了一个通用的框架,应用分布式优化作为一个模块,在机器人管道。我们调查了几类分布式优化算法,并评估其实际适用于多机器人应用。我们进一步比较了三种典型多机器人问题场景的模拟中不同类型算法的性能。一致性交替方向乘子法(C-ADMM)是一种多机器人系统分布式优化方法。
2021-03-23 cs.RO
Distributed Control of Multi-Robot Systems in the Presence of Deception and Denial of Service Attacks
Purdue University(普渡大学)
本研究提出了一种分布式切换控制,以确保多机器人系统在网络攻击的存在。两种主要类型的网络攻击被认为是:欺骗攻击和拒绝服务(DoS)攻击,这损害了资源的完整性和可用性,分别。首先,基于残差的攻击检测方案被引入到识别攻击的类型。然后,切换控制的设计,以中和所识别的攻击的影响,满足机器人之间的状态共识所需的性能保证。对于欺骗攻击的类型,无协调共识协议被设计成以未妥协的机器人比妥协的机器人获得更多权重的方式来调整每个机器人的权重。对于类型的拒绝服务攻击,领导者-追随者协议,重新配置的通信拓扑结构被用来转换受损的机器人到子机器人以下的领导者。在Robotarium多机器人试验台上对所提出的方法的性能进行了评估。一个完整的演示与广泛的情况下,可在https://youtu.be/eSj0XS2pdxI。
2021-01-29 cs.RO math.OC
Byzantine Resilience at Swarm Scale: A Decentralized Blocklist Protocol from Inter-robot Accusations
Boston University(波士顿大学);Northeastern University(东北大学)
W-MSR(Weighted-Mean Subsequence Reduced)算法是分散多机器人系统拜占庭弹性设计的一种最新方法,该算法基于线性一致协议(Linear Consensus Protocol,LCP)中的离群值丢弃。虽然W-MSR提供了很好理解的理论保证,将强大的网络连接与底层共识的收敛联系起来,但该方法存在一些限制,无法大规模使用:(1)要容忍的拜占庭机器人的数量F应该是先验已知的,(2)每个机器人维护2F+1个邻居的要求对于大F是不切实际的,(3)信息传播受到F+1机器人独立地对共识属性进行局部测量以改变群决策的要求的阻碍,以及(4)W-MSR是特定于LCP的,并且不能推广到不在LCP上实现的应用。在这项工作中,我们提出了一个分散的块列表协议(DBP)的基础上,机器人之间的指控。指控是基于对不当行为的本地观察而做出的,一旦被整个网络中的合作机器人共享,就被用作计算阻止列表的图匹配算法的输入。DBP推广到不通过LCP实现的应用程序,是自适应的拜占庭机器人的数量,并允许通过多机器人系统的快速信息传播,同时减少所需的网络连接相对于W-MSR。在LCP类型的应用中,DBP减少了W-MSR的最坏情况下的连接要求从(2F+1)-连接到(F+1)-连接和传播新信息所需的合作观察者的数量从F+1到只有1个观察者。我们的经验表明,我们的方法拜占庭弹性规模数百机器人的合作目标跟踪,…
2023-01-17 cs.MA cs.RO
Multi-Agent Consensus Seeking via Large Language Models
Westlake University(西湖大学)
本研究探讨了LLM驱动的多智能体系统如何通过协商达成共识,发现主要采用平均策略,并分析了智能体数量、个性和网络拓扑的影响,且应用于多机器人聚合任务,展示了零样本自主规划的潜力。
2025-01-21 cs.CL cs.RO cs.SY
OctoPath: An OcTree Based Self-Supervised Learning Approach to Local Trajectory Planning for Mobile Robots
Transilvania University of Brasov(布拉索夫特兰西瓦尼亚大学);Elektrobit Automotive(Elektrobit 汽车公司)
自主移动机器人在复杂环境中行驶时,通常会面临各种挑战。也就是说,他们必须识别静态和动态障碍物,规划驾驶路径并执行其运动。为了解决感知和路径规划的问题,在本文中,我们引入了一种编码器-解码器深度神经网络,它以自我监督的方式训练,以预测自我车辆的局部最优轨迹。使用由3D八叉树环境模型提供的离散化,我们的方法将轨迹预测重新表述为具有可配置分辨率的分类问题。在训练过程中,RIPPath最大限度地减少了给定训练数据集中预测轨迹和手动驱动轨迹之间的误差。这使我们能够避免基于回归的轨迹估计的陷阱,其中存在用于输出轨迹点的无限状态空间。使用40通道机械LiDAR传感器进行环境感知,与惯性测量单元和车轮里程计融合,用于状态估计。使用我们自己开发的GridSim模拟器和RovisLab的自主移动测试单元平台,在模拟和现实生活中进行实验。我们评估了在不同的驾驶场景中,室内和室外,同时基准测试我们的系统对基准混合A-Star算法和基于回归的监督学习方法,以及对基于CNN学习的最佳路径规划方法的预测。
2021-06-02 cs.AI cs.RO
Information correlated Levy walk exploration and distributed mapping using a swarm of robots
University of Southern California(南加州大学);Arizona State University(亚利桑那州立大学)
在这项工作中,我们提出了一种新的分布式方法,用于构建一个未知环境的占用网格地图,使用一群具有全局定位能力和有限的机器人间通信的机器人。机器人探索域通过执行Levy步行,其中它们的标题是通过最大化机器人的估计其环境的占用网格地图的形式和距离测量,它很可能获得当它在该方向上移动时,最大化之间的互信息来定义的。每个机器人都配备了激光测距传感器,它通过反复将自己的距离测量与相邻机器人广播的地图信息相结合来构建其占用网格地图。使用结果的平均共识随时间变化的图形拓扑结构,我们证明了所有的机器人的地图将最终收敛到实际的地图的环境。此外,我们证明了一种基于拓扑数据分析的技术,在我们以前的工作中开发的拓扑地图,可以很容易地扩展为自适应阈值的占用网格地图。我们通过一系列的二维仿真和多机器人实验验证了我们的分布式探索和映射策略的有效性。
2020-06-18 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
Information-theoretic Abstraction of Semantic Octree Models for Integrated Perception and Planning
Georgia Institute of Technology(佐治亚理工学院);University of California San Diego(加州大学圣迭戈分校)
在本文中,我们开发了一种方法,使自主机器人从点云数据构建和压缩语义环境表示。我们的方法建立了一个三维的,语义树表示的环境传感器数据,然后压缩的一种新的信息理论树修剪方法。所提出的方法是概率性的,并结合了在现实世界的环境中固有的语义分类的不确定性。此外,我们的方法允许机器人在生成压缩树时优先考虑单个语义类,以便设计多分辨率表示,保留相关的语义信息,同时丢弃不需要的语义类别。我们展示了压缩语义八叉树模型的大型室外,语义丰富,现实世界的环境中的方法。此外,我们展示了如何八叉树的抽象可以用来创建语义知情的图运动规划,并提供了我们的方法与不知情的图形构造方法,如Halton序列的比较。
2022-09-20 cs.IT cs.RO math.IT
Learning Locally, Communicating Globally: Reinforcement Learning of Multi-robot Task Allocation for Cooperative Transport
Toyota Motor Corporation(丰田汽车公司);Nara Institute of Science and Technology(奈良科学技术研究所)
我们考虑任务分配多对象运输使用多机器人系统,其中每个机器人选择一个对象之间的多个对象具有不同的和未知的权重。现有的集中式方法假设机器人和任务的数量是固定的,这不适用于与学习环境不同的场景。同时,现有的分布式方法将机器人和任务的最小数量限制为恒定值,使得它们适用于各种数量的机器人和任务。然而,它们不能运输重量超过观察物体的机器人的负载能力的物体。为了使其适用于不同数量的机器人和对象的不同和未知的权重,我们提出了一个框架,使用多智能体强化学习任务分配。首先,我们介绍了一个结构化的政策模型,包括1)预先设计的动态任务优先级与全球通信和2)一个基于神经网络的分布式政策模型,确定协调的时机。分布式策略在局部观察下对高优先级对象建立共识,并选择合作或独立的行动。然后,通过试验和错误的多智能体强化学习的策略进行优化。这种局部学习和全局通信的结构化策略使我们的框架适用于不同数量的机器人和具有不同和未知权重的对象,如数值模拟所示。
2022-12-06 cs.RO
BayesCPF: Enabling Collective Perception in Robot Swarms with Degrading Sensors
Worcester Polytechnic Institute(伍斯特理工学院)
本文提出BayesCPF方法,通过扩展卡尔曼滤波器使传感器持续退化的机器人集群准确估计环境填充率,并在多种退化模型和实验中验证其估计性能接近已知真实传感器精度的情形。
2025-04-07 cs.RO
ECO: Incremental Ego-Centric Octree Update for Point Streams
Korea University of Technology and Education(韩国科学技术大学)
研究为实时处理连续点流的移动机器人构建八叉树的挑战,提出ECO这一空间数据结构及增量更新算法,实验表明其减少更新时间、降低系统延迟,能保留动态场景中移动物体的短期时间记忆。
2026-07-07 cs.GR cs.RO
Learning to Grasp on the Moon from 3D Octree Observations with Deep Reinforcement Learning
Aalborg University(奥尔堡大学)
带有通用机械臂的外星漫游车在月球和行星探索中有许多潜在应用。在这样的系统中引入自主性是可取的,以增加漫游者可以花费的时间来收集科学数据和样本。这项工作研究了深度强化学习在基于视觉的机器人抓取月球物体中的适用性。一个新的仿真环境与程序生成的数据集创建训练代理在具有挑战性的条件下,在非结构化的场景,不平坦的地形和苛刻的照明。一个无模型的关政策演员评论家算法,然后采用端到端的学习的政策,直接映射紧凑的八叉树观察到笛卡尔空间中的连续动作。实验评估表明,3D数据表示,使更有效的学习操作技能相比,传统上使用的基于图像的观察。域随机化提高了学习策略对具有先前未见过的对象和不同照明条件的新场景的泛化能力。为此,我们证明了zero-shot仿真到现实迁移通过评估训练有素的代理人在一个真正的机器人在月球模拟设施。
2022-08-01 cs.AI cs.LG cs.RO
Distributed Detection of Adversarial Attacks for Resilient Cooperation of Multi-Robot Systems with Intermittent Communication
Stevens Institute of Technology(史蒂文斯理工学院)
针对对抗场景下多智能体网络的一致性与编队问题,提出分布式可重构恶意智能体检测框架,在间歇性通信下实现系统弹性协作与稳定运行。
2024-10-06 cs.MA cs.RO cs.SY
OREN: Octree Residual Network for Real-Time Euclidean Signed Distance Mapping
Department of Electrical and Computer Engineering, University of California San Diego(加州大学圣地亚哥分校电子与计算机工程系)
OREN结合八叉树插值的显式先验和神经网络回归的隐式残差,实现高效且可微的非截断SDF重建,优于现有方法的准确性和效率。
2026-07-10 cs.AI cs.CV cs.RO
OREN-X: Octree Residual Network for Real-Time Multi-Modal Mapping
University of California San Diego(加州大学圣迭戈分校);VinMotion;Parsons(帕森斯公司);U.S. DEVCOM Army Research Laboratory(美国DEVCOM陆军研究实验室);University of Southern California(南加州大学)
OREN-X 提出基于八叉树的共享数据结构,统一存储几何、辐射和视觉-语言特征,实现实时多模态建图,并通过跨模态协同和字典学习提升精度与压缩率。
2026-09-25 cs.RO
Anchor-Oriented Localized Voronoi Partitioning for GPS-denied Multi-Robot Coverage
School of Computing, University of Georgia(佐治亚大学计算学院)
针对无GPS环境下多机器人覆盖缺乏全局定位的难题,提出基于公共锚点的动态局部Voronoi划分方法与共识协调算法,实验表明其性能与使用GPS的最先进方法相当。
2024-07-08 cs.MA cs.RO
Multi-Robot Coordination Under Physical Limitations
Toronto Metropolitan University(多伦多都会大学);University of Alberta(阿尔伯塔大学)
针对多机器人系统在执行器约束下的协调问题,提出基于庞特里亚金最小值原理的最优共识框架,平衡能量与效率,并经仿真和Robotarium实验验证。
2025-03-26 cs.MA cs.RO
A Tutorial on Distributed Optimization for Cooperative Robotics: from Setups and Algorithms to Toolboxes and Research Directions
University of Bologna(博洛尼亚大学)
本文探讨了分布式优化在协作机器人中的应用,介绍了约束耦合和聚合优化框架,并展示了相关算法、工具箱及在异构机器人网络上的实验验证。
2025-04-02 cs.RO math.OC
Multi-Robot On-site Shared Analytics Information and Computing
Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室)
在异构机器人网络中进行计算负载共享是一种很有前途的方法,可以提高机器人在极端环境中作为一个团队的能力和效率。然而,在这样的环境中,通信链路可能是间歇性的,并且到云或互联网的连接可能不存在。在本文中,我们介绍了一个通信感知,计算任务调度问题的多机器人系统,并提出了一个整数线性规划(ILP),优化分配的计算任务在网络的异构机器人,占网络机器人的计算能力和可用的(可能是时变的)通信链路。我们考虑调度一组相互依赖的必要和可选的任务建模的依赖图。我们提出了一个共识支持的共享世界,分布式系统的调度架构。我们在不同的计算平台和模拟场景中验证了ILP公式和分布式实现,其中模拟场景偏向月球或行星探索场景。我们的研究结果表明,所提出的实现可以优化调度,使奖励任务的执行量增加三倍(例如,科学测量)与没有计算负载分担的类似系统相比。
2021-12-13 cs.MA cs.RO
Epistemic Prediction and Planning with Implicit Coordination for Multi-Robot Teams in Communication Restricted Environments
University of Virginia(弗吉尼亚大学)
针对通信受限下多机器人断连会合问题,提出基于动态认知逻辑的协调认知预测与规划框架,无需通信即可实现信念传播与隐式协调,完成探索、任务及会合。
2023-02-21 cs.AI cs.RO
GNN-based Decentralized Perception in Multirobot Systems for Predicting Worker Actions
Ecole de technologie supérieure(高等技术学院);Polytechnique Montréal(蒙特利尔理工学院)
本文提出基于 GNN 的去中心化多机器人感知框架,通过共享空间图、融合时序信息和群体共识决策预测工人动作,提升了预测准确率与系统可靠性。
2025-01-08 cs.AI cs.MA cs.RO
Distributed Control of Truss Robots Using Consensus Alternating Direction Method of Multipliers
Stanford University(斯坦福大学)
桁架机器人或由万向节连接的可扩展连杆组成的机器人通常设计有模块化物理组件,但需要集中控制技术。本文提出了一种桁架机器人的分布式控制技术。桁架机器人被视为一个集体,其中每个单独的机器人节点能够测量相邻边缘的长度,与其他节点的子集进行通信,并计算和执行自己的控制动作与其连接的边缘。通过迭代分布式优化,各个成员利用局部信息收敛到机器人状态的全局估计,然后协调它们的计划运动以实现期望的全局行为。这种分布式优化是基于共识交替方向方法的乘数框架。这种分布式算法,然后适用于控制等周桁架机器人,并在实验演示中使用的分布式算法。演示允许用户向机器人的单个节点广播命令,然后确保所有其他节点的协调运动以实现所需的全局运动。
2021-08-14 cs.RO
Design of Planar Collision-free Trochoidal Paths for a Multi-robot Swarm
International Institute of Information Technology Bangalore(班加罗尔国际信息技术学院)
本文为3个非完整约束机器人集群设计分布式一致性协议参数,生成满足几何与速度约束的无碰撞周期性次摆线轨迹,确保通信范围与跟踪可行性,并支持动态注入机器人提升刷新率,已在室内平台验证。
2023-11-20 cs.RO cs.SY eess.SY
Towards Blockchain-based Multi-Agent Robotic Systems: Analysis, Classification and Applications
Innopolis University(因诺波利斯大学);ITMO University(ITMO大学);University of Library Studies and Information(图书馆学与信息大学);Technical University of Sofia(索非亚技术大学)
本文综述了区块链在多智能体机器人系统中的应用,分析其用于可信交互、共识、安全与任务分配等场景,并对该新兴领域进行分类,以推动相关研究平台和库的发展。
2019-07-17 cs.DC cs.MA cs.RO
ROS and Buzz: consensus-based behaviors for heterogeneous teams
École Polytechnique de Montréal(蒙特利尔理工学院)
本文讨论了开发人员在异构机器人系统上部署分布式决策行为时遇到的挑战。许多应用受益于多个机器人的使用,但如果依赖于中央控制站,其可扩展性和适用性从根本上受到限制。超越集中式方法可能会增加嵌入式智能的复杂性,对网络拓扑的敏感性,并使物理机器人上的部署繁琐且容易出错。通过将面向群的程序设计语言Buzz与ROS的标准环境相集成,证明了需要分布式共识的行为可以在实践中成功部署。从模拟到现场,行为脚本保持不变,适用于异构机器人团队。我们提出了我们的解决方案的软件结构,以及从Buzz实现一个强大的通用共识策略所需的面向群的范式。我们展示了我们的解决方案的适用性与异构地面和空中机器人团队的模拟和实验。
2017-10-24 cs.RO
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
Consensus-based optimization (CBO): Towards Global Optimality in Robotics
Munich Center for Machine Learning (MCML), Munich, Germany(慕尼黑机器学习中心(MCML),德国慕尼黑)
提出将共识优化(CBO)引入机器人学,在温和假设下保证收敛到全局最优,并在三个挑战性轨迹优化场景中优于现有方法。
2026-06-11 cs.RO
MID-Fusion: Octree-based Object-Level Multi-Instance Dynamic SLAM
Department of Computing, Imperial College London(伦敦帝国理工学院计算机系)
我们提出了一种新的多实例动态RGB-D SLAM系统,使用基于对象级八叉树的体积表示。它可以在动态环境中提供鲁棒的相机跟踪,同时,连续估计场景中任意对象的几何,语义和运动属性。对于每个输入帧,我们执行实例分割来检测对象,并使用几何和运动信息来细化掩模边界。同时,我们估计每个现有的移动对象的姿态,使用面向对象的跟踪方法和鲁棒跟踪相机对静态场景的姿态。基于估计的相机姿态和对象姿态,我们将分割的掩模与现有模型相关联,并将相应的颜色,深度,语义和前景对象概率逐步融合到每个对象模型中。与现有方法相比,我们的系统是第一个从单个RGB-D相机生成对象级动态体积图的系统,该系统可直接用于机器人任务。我们的方法可以在CPU上以2-3 Hz运行,不包括实例分割部分。我们证明了它的有效性,定量和定性测试合成和现实世界的序列。
2019-03-21 cs.CV cs.RO
Co-VLA: Consensus-based Federated Training for Vision-Language-Action Models
University of Augsburg(奥格斯堡大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
Co-VLA提出基于ADMM共识优化的联邦训练方法,用于视觉-语言-动作模型,支持全模型训练和参数高效微调,在分散机器人数据上达到与集中训练相当的性能。
2026-09-22 cs.RO
Accelerating Probabilistic Volumetric Mapping using Ray-Tracing Graphics Hardware
Ewha Womans University(梨花女子大学)
概率体积映射(PVM)表示用于自主机器人导航任务的3D环境地图。一个流行的实现,如Octomap,广泛用于机器人社区。八叉映射依赖于八叉树来表示PVM,其主要瓶颈在于大量射线拍摄以确定底层体素网格的占用。在本文中,我们提出了基于GPU的光线拍摄,以大幅提高光线拍摄性能的Octomap。我们的主要想法是基于使用最近的光线追踪RTX GPU,主要是为实时照片逼真的计算机图形和附带的图形API,称为DXR设计的。我们的射线拍摄首先将给定八叉树中的叶级体素映射到一组轴对齐的边界框(AABB),并使用GPU对其进行大规模并行射线拍摄以找到空闲和占用的体素。这些被反馈到CPU以更新体素占用并重构八叉树。在我们的实验中,我们观察到使用光线追踪RTX GPU的光线拍摄性能比最先进的Octomap CPU实现提高了三个数量级以上,其中基准测试环境包括超过77 K的点和25 K ~ 34 K的体素网格。
2020-12-02 cs.GR cs.RO
Asynchronous Distributed Smoothing and Mapping via On-Manifold Consensus ADMM
Carnegie Mellon University(卡内基梅隆大学);Astrobotic Technology Inc.(Astrobotic科技公司)
本文提出MESA,一种基于流形一致性ADMM的完全分布式、异步且通用的CSLAM后端优化算法,通过分布式与异步设计容忍故障和通信问题,并在收敛速度和精度上优于现有最先进方法。
2024-03-19 cs.RO
Latent Theory of Mind: A Decentralized Diffusion Architecture for Cooperative Manipulation
National University of Singapore(新加坡国立大学);Stanford University(斯坦福大学)
本文提出 LatentToM 去中心化扩散策略,通过自我/共识嵌入、层理论对齐与潜在心智推断,使多机械臂无需显式通信即可协作操作。
2025-05-14 cs.RO
Consensus Building in Human-robot Co-learning via Bias Controlled Nonlinear Opinion Dynamics and Non-verbal Communication through Robotic Eyes
George Mason University(乔治·马歇尔大学)
本文提出偏差控制的非线性观点动力学与机器人眼睛注视线索,在二选一任务中引导人机观点趋同,并通过51人实验验证其可提升共识与信任。
2025-05-12 cs.RO cs.SY eess.SY
Resilient Consensus via Voronoi Communication Graphs
University of Pennsylvania(宾夕法尼亚大学);Drexel University(德雷塞尔大学)
共识算法通过使多个机器人仅使用本地通信就能收敛到全局变量的一致估计值,从而形成了许多分布式算法的基础。然而,标准的共识协议很容易被不合作的团队成员引入歧途。因此,弹性形式的共识的研究是必要的设计弹性分布式算法。W-MSR共识是一种这样的弹性共识算法,其允许仅利用通信图的本地知识而没有用于共享的数据的先验模型的弹性共识。然而,一个给定的通信图满足严格的图连接性要求的验证,使W-MSR难以在实践中使用。在本文中,我们表明,在机器人文学中常用的通信图结构,通信图建立在Voronoi镶嵌的基础上,自动结果在一个充分连接的图形拒绝一个单一的非合作的团队成员。此外,我们展示了如何增强此图以拒绝两个不合作的团队成员,并为进一步的弹性修改提供路线图。这一贡献将允许弹性共识轻松应用于已经依赖于基于Voronoi的通信的算法,例如分布式覆盖和探索算法。
2022-09-20 cs.RO