Communication-Constrained Multi-Robot Exploration With Adaptive Communication Windows
Massachusetts Institute of Technology(麻省理工学院);Charles Stark Draper Laboratory(查尔斯·斯塔克·德拉珀实验室)
本文提出MACE分散式探索框架,通过自适应通信窗口决策,在间歇通信下平衡信息共享与探索成本,相比现有策略减少总探索时间高达23%。
2026-09-14 cs.RO
Bayesian Generalized Kernel Inference for Exploration of Autonomous Robots
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学)
本文涉及实现高效的信息理论机器人探索与所需的性能在复杂的场景。我们建立了一个连续的轻量级推理模型来预测的互信息(MI)和相关的预测置信度的机器人的候选动作没有被显式评估。这使得机器人探索中的决策阶段可以近似以对数复杂度运行,这也将有利于在大型非结构化和混乱的地方进行在线探索,这些地方需要更多的空间样本来评估和决定。我们还开发了一个目标函数来平衡具有最高MI值的局部最优行动和具有高预测方差的全局选择。大量的数值和数据集模拟表明,我们所提出的方法在不同的环境中不失去探索性能的期望效率。我们还为机器人社区提供在GitHub上发布的开源实现代码。
2023-01-02 cs.RO
Multi-Robot System for Cooperative Exploration in Unknown Environments: A Survey
Fellow IEEE Tsinghua University(IEEE Fellow 清华大学);Zhejiang University(浙江大学);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
该综述针对大规模极端环境探索需求,提出多机器人协同探索的模块化研究框架,系统梳理定位建图、协同运动、通信等核心模块技术,介绍其在DARPA地下挑战赛的应用,并分析挑战与未来方向。
2025-05-21 cs.RO
Online Next-Best-View Planner for 3D-Exploration and Inspection With a Mobile Manipulator Robot
Fraunhofer FKIE(弗劳恩霍夫通信、信息处理与人机工程研究所)
执行面向终端用户的自主探索的机器人系统可以部署在不同的场景中,这些场景不仅需要映射,而且还需要终端用户对感兴趣区域的同时检查。在这项工作中,我们提出了一种新的下一个最佳视图(NBV)的规划,它可以执行充分的探索和面向用户的探索与检查的区域的兴趣使用移动机械手机器人。作为多目标优化(MOO)的一个实例,我们解决了探测-检查问题,并提出了一种基于加权和的信息增益函数,用于计算安装在手臂上的RGB-D相机的NBVs。对于这两种类型的探测任务,我们将我们的方法与现有的最先进的探测方法进行比较,并证明了我们在总体积映射和较低计算要求方面的改进。移动机械手机器人的实际实验证明了该方法的实用性和有效性。
2022-03-18 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
Marsupial Walking-and-Flying Robotic Deployment for Collaborative Exploration of Unknown Environments
NTNU(挪威科技大学);ETH Zurich(苏黎世联邦理工学院)
这项工作有助于有袋类机器人系统的系统,涉及腿和空中机器人能够协作映射和探索路径规划,利用两个系统的异构特性和选择性地部署从地面机器人的空中系统的能力。利用四足机器人灵巧的运动能力和长时间的耐力,有袋动物组合可以在大规模和封闭的环境中探索,包括崎岖的地形。然而,由于某些类型的地形或垂直几何形状可以使任何地面系统无法继续其探索,有袋动物系统可以-在需要时-部署飞行机器人,通过利用其3D导航能力,可以在其耐力限制内进行集中的探索任务。专注于自主性,这两个系统可以通过共享基于LiDAR的地图和单独规划探索路径来共同定位和映射,而足式机器人上的定制图形搜索使其能够识别何时何地应该部署摆渡的空中平台。该系统在多个实验研究中得到验证,证明了有袋动物系统的扩展探索能力,并促进了对其他无法到达的区域的探索。
2022-05-11 cs.RO
Meeting-Merging-Mission: A Multi-robot Coordinate Framework for Large-Scale Communication-Limited Exploration
Dji Co(大疆创新科技有限公司);Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
这封信提出了一个完整的框架会议合并任务的多机器人探索下的通信限制。考虑到现实世界中通信带宽和距离的有限性,提出了一种轻量级的环境表示方法和一种高效的协作探索策略。对于较低的带宽,每个机器人利用特定的多面体来维护自由空间和超前沿信息(SFI)作为探索决策的来源。为了减少重复的探索,我们开发了一个基于任务的协议,驱动机器人共享收集到的信息在稳定的会合。我们还设计了一个完整的路径规划方案集中和分散的情况下。为了验证我们的框架是实用和通用的,我们提出了一个广泛的基准测试,并部署到多UGV和多无人机平台我们的系统。
2022-07-20 cs.RO
Deep Reinforcement Learning for Decentralized Multi-Robot Exploration With Macro Actions
University of Toronto(多伦多大学)
本文提出首个宏观动作去中心化探索网络MADE-Net,利用多智能体深度强化学习解决通信中断下的多机器人探索问题,在计算时间、行驶距离、交互次数和探索率上均优于基准方法,并展现出良好的可扩展性。
2024-02-26 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
Distributed multi-robot potential-field-based exploration with submap-based mapping and noise-augmented strategy
Singapore University of Technology and Design(新加坡科技设计大学);Inria Grenoble, Grenoble Alpes University(法国国家信息与自动化研究所格勒诺布尔分部,格勒诺布尔阿尔卑斯大学);School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院)
针对未知环境多机器人探索中速度与协作能力的挑战,提出结合分布式子图协同建图、改进波前距离与有色噪声增强的势场探索方法,经仿真与真实场景验证,在探索速度和协作能力上优于现有方法。
2024-07-10 cs.RO
Rapid and High-Fidelity Subsurface Exploration with Multiple Aerial Robots
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
针对星下地下探索的通信等约束及现有研究对通信考量不足的问题,提出通信高效的分布式感知建图方法,可在低带宽下实现高保真建图,显著提升多机器人探索速率,经仿真和洞穴硬件实验验证有效。
2020-12-19 cs.RO
Collaborative Human-Robot Exploration via Implicit Coordination
Carnegie Mellon University(卡内基梅隆大学)
针对人机协作探索中目标通信效率低的问题,本文利用头盔式深度相机隐式传递感兴趣区域,并结合信息增益目标引导无人机在人类视角内规划,实现对难达区域的安全协作探索。
2022-09-19 cs.RO
MEF-Explore: Communication-Constrained Multi-Robot Entropy-Field-Based Exploration
Engineering Product Development, Singapore University of Technology and Design(新加坡科技设计大学工程产品开发部);School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电子与电气工程学院)
针对多机器人探索中通信受限问题,提出MEF-Explore,通过双层通信感知信息共享、基于熵场的探索策略和时长自适应目标分配模块,显著提升了探索效率和成功率。
2025-05-29 cs.RO
GVD-Exploration: An Efficient Autonomous Robot Exploration Framework Based on Fast Generalized Voronoi Diagram Extraction
Soochow University(苏州大学);National University of Singapore(新加坡国立大学);Southern University of Science and Technology(南方科技大学);Jiaxing Research Institute, Southern University of Science and Technology(南方科技大学嘉兴研究院)
针对RRT随机采样导致的边界提取低效问题,提出基于广义Voronoi图(GVD)的多选择机器人探索框架,包含端到端建图、启发式边界提取与多选择分配方案,在效率和鲁棒性上优于RRT方法。
2023-09-12 cs.RO
Frontier Based Exploration for Autonomous Robot
Maryland Robotics Center(马里兰机器人中心);University of Maryland(马里兰大学)
探索是在初始未知的环境中选择对特定增益函数产生最大贡献的目标点的过程。基于边界的勘探是最常见的勘探方法,其中边界是开放空间和未勘探空间之间的边界区域。通过移动到一个新的边界,我们可以继续构建环境地图,直到没有新的边界可以检测。在本文中,一个自主的前沿为基础的探索策略,即波前前沿探测器(WFD)的描述和实现的露台仿真环境,以及在硬件平台上,即Kobuki TurtleBot使用机器人操作系统(ROS)。这种算法的优点是机器人可以探索大的开放空间以及小的杂乱空间。此外,将通过该技术生成的映射与使用turtlebot_teleop ROS包生成的映射进行比较和验证。
2018-06-10 cs.RO
Collaborative Exploration with a Marsupial Ground-Aerial Robot Team through Task-Driven Map Compression
Autonomous Robots Lab, Norwegian University of Science and Technology (NTNU)(自主机器人实验室,挪威科学技术大学)
针对通信受限环境下的大规模未知区域探索,提出有袋式地空机器人协同框架,采用基于图的路径规划与任务驱动地图压缩,在仿真和真实实验中提升了探索效率并降低了通信开销。
2025-09-09 cs.RO
Autonomous Multi-Robot Exploration Strategies for 3D Environments with Fire Detection Capabilitie
College of Engineering University of Washington, Seattle, USA
本文综述了面向建筑探索与火灾探测的自主多机器人系统在2D/3D环境中的探索策略,提出基于OctoMap和势场避障的模块化定位、建图与轨迹规划方法,并展望了去中心化建图、多无人机协同和时变环境适应等未来方向。
2024-11-24 cs.RO
Prospect Theory in Physical Human-Robot Interaction: A Pilot Study of Probability Perception
本研究通过物理耦合任务探讨人类在不确定性下的行为差异,发现两种决策模式并提出累积前景理论作为更准确的行为模型。
2025-12-09 cs.RO
Mine Tunnel Exploration using Multiple Quadrupedal Robots
University of Pennsylvania(宾夕法尼亚大学);GRASP Laboratory(GRASP实验室)
地下环境的机器人勘探是一个特别具有挑战性的问题,由于通信,耐力和遍历性的限制,需要高度的自主性和敏捷性。这些挑战由于需要最大限度地减少实际应用中的人为干预而进一步加剧。虽然足式机器人有能力穿越极具挑战性的地形,但它们也给规划、估计和控制带来了新的挑战。在这项工作中,我们描述了一个完全自主的多机器人矿山勘探和测绘系统,使用腿四足动物,以及一个分布式数据库网状网络系统报告数据。此外,我们还展示了DARPA地下挑战(SubT)隧道电路的结果,展示了数百米穿越后的文物定位。这些实验描述了足式机器人对未知的全球导航卫星系统(GNSS)拒绝环境进行的完全自主探索。
2020-02-03 cs.RO
Guided Exploration of Human Intentions for Human-Robot Interaction
National University of Singapore(新加坡国立大学)
机器人对人类意图的理解对于流畅的人机交互至关重要。然而,意图不能直接观察到,必须从行为中推断出来。我们学习一个以意图为潜在变量的适应性人类行为模型。然后,我们将人类行为模型嵌入到有原则的概率决策模型中,该模型使机器人能够(i)积极探索以推断人类意图,以及(ii)选择最大化其性能的行动。此外,机器人从人类专家的示范行动中学习,以进一步改善探索。初步的仿真实验表明,我们的方法,应用于自动驾驶,提高了效率和安全性的驾驶在常见的交互式驾驶场景。
2019-01-19 cs.RO
Multi-Robot Multi-Room Exploration with Geometric Cue Extraction and Circular Decomposition
Carnegie Mellon University(卡内基梅隆大学);University of Technology Sydney(悉尼科技大学)
针对多房间室内环境下的多机器人探索协调问题,提出结合几何线索提取与圆形分解的自主探索流程,实现分布式协同的系统性房间探索,在仿真与实机实验中均优于基线方法。
2023-12-04 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
Frontier Shepherding: A Bio-inspired Multi-robot Framework for Large-Scale Exploration
Institute for Systems and Robotics(系统与机器人研究所)
本文提出一种生物启发的多机器人框架,用于高效探索大规模环境,通过模拟牧羊犬行为提升探索效率,实验表明其在复杂环境中表现优异。
2025-09-02 cs.RO
RMF-Owl: A Collision-Tolerant Flying Robot for Autonomous Subterranean Exploration
NTNU(挪威科技大学);University of Nevada, Reno(内华达大学里诺分校)
本文介绍了RMF-Owl的设计、硬件实现、自主探测和目标检测能力,它是一种为弹性自主地下探测而设计的新型耐碰撞空中机器人。该系统专为地下勘探而定制,专注于碰撞容限、具有强大定位和映射功能的弹性自主性,以及在受限、充满障碍物和拓扑复杂的地下环境中进行高性能勘探路径规划。此外,RMF-Owl提供搜索、检测和定位感兴趣物体的能力,这在搜索和救援任务中特别有用。一系列的现场实验结果,以证明该系统的自主探索具有挑战性的未知地下环境的能力。
2022-02-22 cs.RO
A Collaborative Aerial-Ground Robotic System for Fast Exploration
The Hong Kong University of Science and Technology(香港科技大学);Beihang University(北京航空航天大学)
未知环境的自主探索已广泛应用于检查、监视、搜救等领域。在探测任务中,对机器人的基本要求是尽可能快地探测未知空间。在本文中,我们提出了一个自主的协作系统由一个空中机器人和地面车辆探索在未知的环境。将基于前沿面的方法与谐波场相结合生成路径,并针对地面机器人在障碍物中的安全性和动力学可行性,生成一条最小加加速度的分段Bezier曲线。对于空中机器人,采用运动基元法进行局部路径规划。我们实现了一个自主的协同空-地系统的建议框架。大量的现场实验以及模拟验证的方法,并证明其对每一个单一的车辆更高的效率。
2019-10-20 cs.RO
Vine Robots: Design, Teleoperation, and Deployment for Navigation and Exploration
一类新的连续体机器人最近已被探索,其特征在于尖端延伸,显着的长度变化,和方向控制。在这里,我们称这类机器人为“藤蔓机器人”,因为它们的行为与具有拖尾生长习惯的植物相似。由于其基于生长的运动,藤蔓机器人非常适合在混乱的环境中导航和探索,但到目前为止,它们还没有被部署在实验室之外。这些机器人的便携性和导航相关的长度尺度的可操纵性是现场应用的关键。此外,直观的人在回路远程操作使运动在未知和动态的环境。我们提出了一个葡萄藤机器人系统,是远程操作使用定制设计的灵活的操纵杆和摄像头系统,足够长的时间用于导航任务,并在现场使用便携式。我们报告部署这个系统在两种情况下:一个软体机器人导航比赛和考古遗址的探索。比赛路线要求在不平坦的地形上移动,通过不稳定的障碍物,并通过一个小光圈。考古遗址需要在岩石上移动,并通过水平和垂直转弯。机器人尖端成功地越过障碍物并穿过隧道,展示了藤蔓机器人在野外完成导航和探索任务的能力。
2020-01-07 cs.RO
Confidence-rich Localization and Mapping based on Particle Filter for Robotic Exploration
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学)
本文主要研究了距离感知机器人在置信度丰富地图(CRM)中的定位和映射问题,并对其进行了扩展,为信息论探索提供了完整的状态估计。以往的主动式同时定位与地图构建和探测的研究大多假设机器人的位姿是已知的,或者利用不准确的信息度量来近似位姿的不确定性,从而导致在未知环境中探测性能和效率的不平衡。这启发了我们扩展具有可测量姿态不确定性的富置信互信息(CRMI)。具体来说,我们提出了一种基于Rao-Blackwellized粒子滤波器的CRM定位和映射方案(RBPF-CLAM),然后我们开发了一种新的封闭形式的加权方法,以提高定位精度没有扫描匹配。我们进一步推导出不确定CRMI(UCRMI)与加权粒子通过更精确的近似。仿真和实验结果表明,所提出的方法的定位精度和勘探性能。
2022-07-26 cs.RO
Active Semantic Mapping and Pose Graph Spectral Analysis for Robot Exploration
Polytechnique Montréal(蒙特利尔理工学院)
本文提出一种主动度量-语义SLAM方法,将语义互信息与位姿图连通性度量结合作为效用函数来指导探索轨迹选择,在Habitat数据集上实现地图误差降低21%、语义分类准确率提升9%。
2024-09-02 cs.RO
Caterpillar-Inspired Spring-Based Compressive Continuum Robot for Bristle-based Exploration
Edwardson School of Industrial Engineering, Purdue University(工业工程学院,普渡大学)
本文提出了一种基于 caterpillar 的弹簧式压缩连续机器人,用于受限空间探索,结合腱驱动和接触传感器实现高效表面感知与检查。
2026-03-10 cs.RO
DARE: Diffusion Policy for Autonomous Robot Exploration
National University of Singapore(新加坡国立大学);ETH Zürich(苏黎世联邦理工学院)
本文提出基于扩散模型的自主机器人探索方法DARE,利用专家演示训练和一次性推理生成探索路径,性能与最先进规划器相当且泛化性良好。
2024-10-22 cs.RO
A Hierarchical Graph-Based Terrain-Aware Autonomous Navigation Approach for Complementary Multimodal Ground-Aerial Exploration
Robotics & AI Team, Department of Computer, Electrical and Space Engineering, Luleå University of Technology(机器人与人工智能团队,计算机、电气与空间工程系,卢勒奥技术大学)
针对未知环境下地空机器人协同探索效率问题,提出基于分层图的地形感知导航方法,通过共享置信度指标协调部署,在地下场景中实现了更高效的互补式探索。
2025-05-20 cs.RO
Multi-Robot Coverage and Exploration using Spatial Graph Neural Networks
University of Pennsylvania(宾夕法尼亚大学)
多机器人覆盖问题是执行检查或搜索和救援等任务的系统的重要组成部分。我们离散化的覆盖问题,诱导的位置和代表机器人的节点在图中的空间图。然后,我们训练一个图神经网络控制器,它利用任务的空间等方差来模仿专家开环路由解决方案。这种方法可以很好地推广到更大的地图和更大的团队,这对专家来说是棘手的。特别是,该模型有效地推广到十个四旋翼和几十个建筑物的模拟。我们还证明了GNN控制器可以在探索任务中超越基于规划的方法。
2021-07-30 cs.RO
Multi-Robot Distributed Optimization for Exploration and Mapping of Unknown Environments using Bioinspired Tactile-Sensor
Department of Mechanical Engineering University of California at Berkeley Berkeley, CA, US(机械工程系 加州大学伯克利分校 伯克利加州)
提出一种基于分布式优化和仿生触觉传感器的多机器人系统,通过记录碰撞点实现未知环境的高效探索与二维地图构建,实验验证了高覆盖率和低碰撞。
2025-10-07 cs.RO
Multi-Robot Autonomous Exploration and Mapping Under Localization Uncertainty with Expectation-Maximization
Stevens Institute of Technology(史蒂文斯理工学院)
本研究面向去中心化多机器人团队,提出一种考虑地图与定位不确定性的自主探索算法,通过虚拟地标量化噪声影响、采用期望最大化启发的迭代算法评估行动效果,实验证明其可在地图不确定性抑制与任务分配效率间实现平衡。
2024-03-06 cs.RO
Explore-Bench: Data Sets, Metrics and Evaluations for Frontier-based and Deep-reinforcement-learning-based Autonomous Exploration
Tsinghua University(清华大学)
利用单个或多个机器人自主探索和绘制未知地形是移动机器人的一项重要任务,因此得到了广泛的研究。然而,由于缺乏统一的数据集,指标和平台来评估探索方法,我们开发了一个自主机器人探索基准,名为Explore-Bench。该基准涉及各种探测场景,并提出了两种类型的定量指标来评估探测效率和多机器人合作。Explore-Bench非常有用,因为最近,深度强化学习(DRL)已被广泛用于机器人探索任务,并取得了可喜的成果。然而,训练基于DRL的方法需要大量的数据集,此外,目前的基准依赖于现实的模拟器,模拟速度慢,这是不适合训练探索策略。因此,为了支持高效的日间行车训练和综合评估,建议的Explore-Bench设计了一个具有统一数据流和$12 \times$加速的3级平台,其中包括用于快速评估和高效训练的基于网格的模拟器、逼真的Gazebo模拟器和用于在物理环境中进行高精度测试的远程访问机器人测试台。建议的基准的实用性突出了一个基于DRL和三个基于前沿的勘探方法的应用。此外,我们分析了性能差异,并提供了一些见解的选择和设计的勘探方法。我们的基准可以在https://github.com/efc-robot/Explore-Bench上找到。
2022-02-24 cs.RO
3D Soil Compaction Mapping through Kriging-based Exploration with a Mobile Robot
University of Lincoln(林肯大学);Lincoln Centre for Autonomous Systems(林肯自治系统中心);School of Computer Science(计算机科学学院);Lincoln Institute for Agri-food Technology(林肯农业食品技术研究所)
提出了一种利用室外移动机器人自动生成土壤状况空间地图的方法。有效的农场土壤测绘可以提高产量,减少投入,并有助于保护环境。传统上,在任意一组位置手动收集数据,然后使用Kriging(高斯过程回归的一种形式)离线构建土壤图。这个过程是费力和昂贵的,限制了所产生的信息的质量和分辨率。相反,我们建议使用室外移动机器人自动收集土壤条件数据,在线构建土壤地图,并根据地图的当前质量调整机器人的探索策略。我们展示了如何使用克里格方差作为机器人探索的奖励函数,既可以更有效的数据汇集和更好的土壤模型。这项工作为我们的提议提供了理论基础,并使用移动机器人生成的田地的土壤压实数据对勘探策略进行了实验比较。
2018-03-21 cs.RO
Connectivity-Aware Graph Extension for Decentralized Multi-Robot Exploration
Pôle recherche, AMIAD(AMIAD研究中心);UI2S, ENSTA, IP Paris(巴黎理工学院ENSTA分校UI2S实验室);LARIAD(LARIAD实验室)
针对多无人机探索的间歇性通信问题,提出基于前沿连通性的去中心化图扩展策略,应用于两种区域划分方法,低通信速率下探索效率优于现有方法。
2026-09-02 cs.RO
Martian Lava Tube Exploration Using Jumping Legged Robots: A Concept Study
Norwegian University of Science and Technology(挪威科技大学)
针对火星熔岩管复杂地形挑战,本文提出并介绍了一种新型跳跃足式机器人的设计、能力及任务概况,以克服传统轮式系统的局限并实现洞穴探索与采样。
2023-10-23 cs.RO
SEER: Safe Efficient Exploration for Aerial Robots using Learning to Predict Information Gain
University of Pennsylvania(宾夕法尼亚大学)
本文提出SEER框架,通过学习预测未见空间占据与信息增益并规划信息轨迹,使受载荷和功率限制的微型飞行器能在室内安全高效探索,实验显示其路径长度较现有方法缩短24%且成功率更高。
2023-08-13 cs.RO
Autonomous Teamed Exploration of Subterranean Environments using Legged and Aerial Robots
University of Nevada, Reno(内华达大学里诺分校);NTNU(挪威科技大学);ETH Zurich(苏黎世联邦理工学院)
本文提出了一种新的策略,自主团队勘探地下环境使用腿和空中机器人。针对地下环境(如洞穴网络和地下矿山)通常涉及复杂,大规模和多分支拓扑结构的事实,而其中的无线通信可能特别具有挑战性,这项工作是围绕机载探索路径规划器的协同作用进行的,该规划器允许弹性长期自治,以及多机器人协调框架。机载路径规划器在腿式和飞行机器人之间是统一的,可以在陡坡和不同几何形状的环境中导航。当通信链路可用时,团队中的每个机器人共享到集中位置的子地图,其中多机器人协调框架确定探索空间的全球边界,以通知每个系统它应该重新定位以最好地继续其任务。该策略通过在瑞士地下矿井内的现场部署进行验证,使用腿和飞行机器人集体探索45分钟,以及更长的模拟研究与三个系统。
2022-05-16 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
SeGuE: Semantic Guided Exploration for Mobile Robots
Univ. of California, Riverside(加利福尼亚大学河滨分校)
本文提出SeGuE,一种基于下一个最佳视角的语义引导探索方法,通过评估可见语义特征对潜在位姿评分,使移动机器人能自主构建包含结构和语义信息的地图,仿真与物理实验均验证了其有效性。
2025-04-04 cs.RO
Privileged Reinforcement and Communication Learning for Distributed, Bandwidth-limited Multi-robot Exploration
School of Computing, National University of Singapore(新加坡国立大学计算机学院);National University of Singapore(新加坡国立大学)
提出基于通信和特权强化学习的多机器人探索框架,通过固定大小消息嵌入显著信息并利用教师网络引导,在仅牺牲2.4%行进距离下将通信量降低两个数量级。
2024-07-29 cs.RO
Soft Gripping System for Space Exploration Legged Robots
针对轮式机器人在复杂地形探索的局限,本文提出一种结合分段肌腱驱动软手指与微刺的抓取系统,为腿式空间探索机器人提供可靠锚点,实验验证其适用于攀爬、月球洞穴及小行星表面探索。
2024-11-08 cs.RO
A Review of Prospects and Opportunities in Disassembly with Human-Robot Collaboration
University at Buffalo(布法罗大学);University of Florida(佛罗里达大学)
本文综述了人机协作(HRC)在产品拆卸领域的应用前景与挑战,指出HRC能结合人类灵活性与机器人精确性以提升拆卸效率,并从技术、工人和工作三个视角分析了引入HRC的机遇与障碍。
2023-10-20 cs.RO
HEHA: Bounded Suboptimal Planning for Constrained Routing and Its Use in Heterogeneous Multi-Robot Exploration of Unknown Environments
Shanghai Jiao Tong University(上海交通大学);Carnegie Mellon University(卡内基梅隆大学)
针对异构多机器人未知环境探索的大规模约束路径规划难题,提出HEHA分层方法,通过新型PEAF路由算法实现有界次优全局规划并结合异构感知局部规划,最多可减少30%探索时间。
2026-11-13 cs.RO
Learning Affordances from Interactive Exploration using an Object-level Map
Autonomous Systems Lab, ETH Zurich(苏黎世联邦理工学院自主系统实验室);School of EECS, The University of Queensland(昆士兰大学电气工程与计算机科学学院)
提出一种集成物体级地图的机器人交互式探索流程,通过跨视角识别和追踪物体实例来收集交互经验,从而获得更密集准确的可供性标注,并提升探索效率与预测模型精度。
2025-01-10 cs.RO
Volumetric Objectives for Multi-Robot Exploration of Three-Dimensional Environments
NASA Jet Propulsion Laboratory(美国国家航空航天局喷气推进实验室);California Institute of Technology(加州理工学院);Robotics Institute, Carnegie Mellon University (CMU)(卡内基梅隆大学机器人研究所)
用于探索和感知任务的体积目标寻求捕获在未知环境中操作的机器人的一个或多个相机视图处的假设观察的价值感(或奖励)。例如,体积目标可以与待观察的未知空间的预期体积成比例地奖励机器人。我们确定现有的信息理论和覆盖目标之间的连接,在预期的覆盖范围,特别是互信息没有噪声是一个特殊的情况下,预期的覆盖范围。同样,我们提供了第一个比较,我们知道,基于信息的近似和覆盖目标的探索,我们发现,也许令人惊讶的是,覆盖目标可以显着优于基于信息的目标在实践中。此外,信息和覆盖目标的分析表明,随机顺序分区-一种有效的分布式传感器规划的方法-适用于这两类目标,我们提供了仿真结果在各种环境中多达32个机器人。
2021-03-26 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
Reactive Exploration of Unknown Environments for Redundant Robots using Virtual Model Control
University of Bologna(博洛尼亚大学);University of Cambridge(剑桥大学)
针对冗余机械臂在未知环境中的探索问题,提出一种基于评分选择目标体素和虚拟模型控制的主动探索方法,实现全身反应式避障,在120秒内达到90%以上地图覆盖率。
2026-10-07 cs.RO
4CNet: A Diffusion Approach to Map Prediction for Decentralized Multi-Robot Exploration
University of Toronto(多伦多大学);Autonomous Systems and Biomechatronics Laboratory (ASBLab)(自主系统与生物机电实验室(ASBLab))
本文提出4CNet深度学习架构,结合条件一致性模型、对比式轨迹预训练和置信度网络,用于资源受限去中心化多机器人探索中的地图预测,并在不规则障碍物环境中验证了其显著优于现有方法的预测精度和覆盖能力。
2025-04-08 cs.RO
A Survey on Soft Robot Adaptability: Implementations, Applications, and Prospects
The BioRobotics Institute and the Department of Excellence in Robotics and AI(生物机器人研究所和机器人与人工智能卓越部门);Mærsk Mc-Kinney Møller Instituttet, University of Southern Denmark(马士基麦金尼莫勒研究所,南方丹麦大学);CREATE Lab, EPFL(EPFL创造实验室);Bio-Inspired Robotics Lab, University of Cambridge(生物启发机器人实验室,剑桥大学);The Khalifa University Center for Autonomous Robotic Systems, Khalifa University(卡利法大学自主机器人系统中心,卡利法大学);Department of Computer Science, University College London(计算机科学系,伦敦大学学院);Department of Cognitive Robotics, Delft University of Technology(认知机器人系,代尔夫特理工大学);Institute of Robotics and Mechatronics, German Aerospace Center (DLR)(机器人与机电研究所,德国航天中心(DLR));Bioinspired Soft Robotics, Istituto Italiano di Tecnologia(生物启发软机器人,意大利技术研究院);Department of Mechanical Engineering and Beijing Key Lab of Precision/Ultra-Precision Manufacturing Equipment and Control, Tsinghua University(机械工程系和北京精密/超精密制造装备与控制重点实验室,清华大学)
该综述将软体机器人适应性分为外部与内部两类,总结了提升适应性的设计、传感与控制策略,评估其在多领域的应用影响,并探讨局限性与未来方向,为理解软体机器人适应性提供全面参考。
2025-06-24 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
Action-Aware Pro-Active Safe Exploration for Mobile Robot Mapping
Eindhoven University of Technology(埃因霍温理工大学);Eindhoven AI Systems Institute(埃因霍温人工智能系统研究所)
本文提出一种动作感知的主动预防性重规划探索策略,利用视点可执行信息避免冗余运动并作为终止准则,结合安全路径规划和信息效用最优的视点选择,在仿真与硬件实验中验证了其有效性。
2025-03-12 cs.RO