Scalable Coverage Path Planning of Multi-Robot Teams for Monitoring Non-Convex Areas
University at Buffalo(布法罗大学)
本文提出了一种新的多机器人覆盖路径规划(CPP)算法-又名SCoPP -提供了一个时间效率高的解决方案,与工作负载平衡的计划,为每个机器人在多机器人系统,根据他们的初始状态。该算法考虑了不连续性(例如,禁飞区),并使用离散的、计算高效的最近邻路径规划算法来提供每个机器人的路径点的优化有序列表。该算法包括五个主要阶段,其中包括转换用户的输入作为一组顶点的地理坐标,离散化,负载平衡分区,拍卖的冲突细胞在离散空间,和路径规划过程。为了评估主要算法的有效性,多无人机(UAV)洪水后评估的应用程序被认为是,和算法的性能进行了测试,在三个不同大小的测试地图。此外,我们的方法相比,一个国家的最先进的Guasella等人创建的方法。进一步分析SCoPP的可扩展性和计算时间进行。结果表明,SCoPP在任务完成时间方面是优越的;对于由150个机器人团队覆盖的大地图,其计算时间被发现低于2分钟,从而证明了其计算可扩展性。
2021-03-26 cs.MA cs.RO
Resilient Monitoring in Heterogeneous Multi-robot Systems through Network Reconfiguration
University of Southern California(南加州大学);Georgia Institute of Technology(佐治亚理工学院)
我们提出了一个框架的弹性网络异构多机器人团队资源故障。团队中的每个机器人都配备了与邻居共享的资源。此外,团队中的每个机器人执行一项任务,其性能取决于它可以访问的资源。当特定机器人上的资源变得不可用时(\eg摄像头停止工作),团队将以最佳方式重新配置其通信网络,以便受故障影响的机器人可以继续执行任务。我们专注于一个监控任务,机器人单独估计一个外源过程的状态。通过定义一个新的更强的可观测性概念-- \textit{one-hop observability},我们编码了机器人资源损失对团队监控性能的端到端影响。通过抽象的影响,{低级别}个人资源的任务性能,通过一跳可观察性的概念,我们的框架导致原则上重新配置的信息流在团队中,有效地取代一个机器人上丢失的资源与信息从另一个,只要满足一定的条件。网络重构问题转化为资源故障发生后在系统通信图中选择边进行修改的问题。基于有限时间收敛控制障碍函数的控制器将每个机器人驱动到使修改后的图的通信链路成为可能的空间位置。我们验证了我们的框架的有效性,通过部署在一个团队的差分驱动机器人估计的一组四旋翼的位置。
2021-08-07 cs.RO
Distributed Deep Reinforcement Learning for Intelligent Traffic Monitoring with a Team of Aerial Robots
University of Toronto(多伦多大学)
研究了一组空中机器人在路网中的交通监控问题。这个问题之所以具有挑战性,主要有两个原因。首先,交通事件在时间和空间上都是随机的。其次,该问题具有非齐次结构,因为交通事件以不同的速率到达道路网络的不同位置。因此,与其他位置相比,一些位置需要机器人更多的访问。为了解决这些问题,我们定义了道路网络的每个位置的不确定性度量,并制定了一个路径规划问题的空中机器人,以尽量减少网络的平均不确定性。我们将此问题表示为部分可观测马尔可夫决策过程(POMDP),并提出了一种基于深度强化学习的分布式可扩展算法来解决此问题。第一种情况假设代理持续与TMC通信以发送/接收关于交通事件的实时信息。因此,智能体对环境具有全局和实时的知识。然而,在第二种情况下,我们考虑一个具有挑战性的设置,空中机器人的观察是局部的,并限于其传感范围。此外,与第一种情况相比,空中机器人和TMC之间的信息交换仅限于特定的时间实例。我们评估我们所提出的算法在这两种情况下的一个真正的道路网络拓扑结构的性能,并证明其功能在交通监控系统。
2021-07-10 cs.AI cs.MA cs.RO
Robust and Scalable UAV-UGV Planning for Aerial Monitoring under Energy and Precedence Constraints
Northeastern University(东北大学)
针对UAV-UGV团队的空中监测任务,提出多项式时间算法联合规划路径与时间,在能量、顺序及扰动约束下最小化任务完成时间,通过数值比较验证性能。
2026-10-12 cs.MA cs.RO cs.SY
Emergence of Roles in Robotic Teams with Model Sharing and Limited Communication
EEE Department(电子工程系);Trinity College Dublin(都柏林信任学院)
通过集中学习和模型共享,该方法在机器人团队中促进角色分化,减少计算能耗并应用于现实场景。
2025-05-01 cs.LG cs.MA cs.RO
Heterogeneity in Multi-Robot Environmental Monitoring for Resolving Time-Conflicting Tasks
University of Bristol(布里斯托大学)
研究多机器人系统在连续任务中因紧急子任务中断而产生的性能权衡,通过角色异质性和感知异质性分析,发现异质团队在多数情况下能更平衡地处理任务冲突。
2025-12-09 cs.RO
IPPO Learns the Game, Not the Team: A Study on Generalization in Heterogeneous Agent Teams
Los Gatos High School(洛斯加托斯高中);Georgia Institute of Technology(佐治亚理工学院)
本文研究了IPPO在异质智能体团队中的泛化能力,通过旋转策略训练(RPT)发现IPPO基线在未经历队友多样性训练的情况下仍能泛化到新队友算法。
2026-03-09 cs.RO
Data-driven Spatial Classification using Multi-Arm Bandits for Monitoring with Energy-Constrained Mobile Robots
Aerospace Engineering and Mechanics department, University of Minnesota(明尼苏达大学航空航天工程与力学系);Aeronautics and Astronautics department, Massachusetts Institute of Technology(麻省理工学院航空与航天系);Mitsubishi Electric Research Laboratories (MERL)(三菱电机研究实验室)
提出一种结合多臂老虎机高维规划与整数规划低维路径规划的层级方法,解决移动机器人团队在能量约束下对监测区域进行快速空间分类的问题。
2026-05-22 cs.RO
Exploiting a Fleet of UAVs for Monitoring and Data Acquisition of a Distributed Sensor Network
Deakin University(迪肯大学);Murdoch University(莫道克大学)
本研究提出了一种有效的数据汇集策略,利用一组无人机(UAV)来监测和收集通常用于环境监测,气象,农业和可再生能源应用的大型分布式传感器网络的数据。该研究开发了一个协同任务规划系统,使无人机团队能够进行和完成传感器的数据汇集任务,同时考虑到现有的无人机有效载荷和电池容量的限制。建议的任务规划系统采用差分进化(DE)优化算法,使无人机最大限度地提高了传感器的优先级,并避免冗余收集传感器的数据的访问传感器节点的数量。建议的任务规划器进行评估,通过广泛的仿真和比较分析。仿真结果验证了该任务规划器用于分布式传感器网络监测和数据汇集的有效性和准确性。
2021-01-11 cs.RO
Practical Handling of Dynamic Environments in Decentralised Multi-Robot Patrol
University of Bristol(布里斯托大学);Bristol Robotics Laboratory(布里斯托机器人实验室)
研究去中心化多机器人巡逻中动态环境的实用处理,提出一种在线监测并调整环境动态的新方法,在高度动态场景中显著优于现实基准,并探讨了显式考虑环境动态的适用边界。
2025-09-16 cs.RO
An Infrastructure-less, Control-Independent Solution to Relative Localisation of a Team of Mobile Robots using Ranging Measurements
Department of Industrial Engineering, University of Trento(特伦托大学工业工程系);Department of Information Engineering and Computer Science, University of Trento(特伦托大学信息工程与计算机科学系)
提出一种无锚点、完全去中心化的协作定位算法,仅依赖局部里程计、稀疏测距和短程通信,无需控制机器人运动即可实现团队可观测性,采用多假设贝叶斯框架保证鲁棒性。
2026-06-19 cs.MA cs.RO
Persistent Monitoring of Stochastic Spatio-temporal Phenomena with a Small Team of Robots
University of Southern California(南加州大学)
本文提出了一种解决方案,持续监测现实世界的随机现象,其中的基础协方差结构随时间急剧变化,使用少量的移动机器人传感器。我们提出了一个自适应的解决方案,随机现实世界的动态建模为高斯过程(GP)的问题。对基础协方差结构的信念是从最近观察到的动态中学习的,作为GP的低维超参数空间中的高斯混合(GM),并使用顺序蒙特卡罗方法在时间上进行调整。每个机器人从GM中采样一个置信点,并通过子模块熵函数的贪婪最大化来局部优化一组信息区域。本文的主要贡献有三个方面:采用马尔可夫链蒙特卡罗(MCMC)采样的协方差的信念,使粒子生存,即使在急剧的协方差变化随时间的推移;利用信念转换到一个分散的熵最大化的问题;和开发一个近似算法,以最大限度地提高连续空间中的一组信息区域的熵。我们通过使用人工数据集和来自固定传感器部署的多个真实数据集的广泛模拟来说明所提出的解决方案的应用,并将其与三种竞争最先进的方法进行比较。
2018-04-27 cs.AI cs.LG cs.RO
Multi-vehicle Dynamic Water Surface Monitoring
Czech Technical University(捷克技术大学)
针对动态水面目标的探索与持续监测,本文提出基于时空奖励状态和滚动时域模型预测控制的多车辆协同规划方法,提升了运动学及团队定向问题性能并经实验验证可行。
2023-08-14 cs.RO
Heterogeneous Robot Teams for Informative Sampling
McGill University(麦吉尔大学)
在本文中,我们提出了一个合作的多机器人策略,自适应地探索和采样环境,是不利于人类。我们提出了一种方法,一个团队的异构机器人合作的信息为基础的规划应用程序,如在野火影响的网站采样热成像,以协助检测现场火灾和残留火灾,火灾测绘和监测火灾进展或应用程序在海洋领域的珊瑚礁监测和调查。我们使用基于Gabor滤波器的纹理分类器从无人机(UAV)的航空图像分割感兴趣的区域到类。基于策略梯度的路径规划器被用于纹理分类的航空图像上,以规划无人地面车辆(UGV)的路径。然后,UGV使用本地规划器通过避开障碍物来实现全球规划器设定的目标。UGV还在到达计划航路点时使用来自性能的反馈来学习分段类的标签,如可驾驶和不可驾驶。我们评估了我们的方法的组成部分,并将这些策略应用于不同的领域。
2019-06-17 cs.RO
Constrained Bandwidth Observation Sharing for Multi-Robot Navigation in Dynamic Environments via Intelligent Knapsack
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出最优通信方案Intelligent Knapsack (iKnap),将多机器人通信建模为推理智能体图中的置信度传播,并将观测共享表述为0/1背包问题,有效解决了动态环境带宽约束下的多机器人导航观测共享难题。
2025-03-03 cs.RO
Adaptive Task Allocation in Multi-Human Multi-Robot Teams under Team Heterogeneity and Dynamic Information Uncertainty
Purdue University(普渡大学);College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology(北京化工大学机电工程学院)
针对多人类多机器人团队任务分配中团队异质性、动态执行和信息不确定性问题,提出基于分层强化学习的ATA-HRL框架,结合初始任务分配、条件任务重分配和辅助状态表示学习,并通过大规模环境监测案例验证其有效性。
2025-03-11 cs.RO
IR2: Implicit Rendezvous for Robotic Exploration Teams under Sparse Intermittent Connectivity
Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore(机械工程系,设计与工程学院,新加坡国立大学);Singapore Technologies Engineering Ltd(新加坡科技工程有限公司)
针对多机器人探索中稀疏间歇连通下的信息共享低效问题,提出基于深度强化学习的IR2方法,结合注意力网络、课程学习与分层图结构,在仿真中较基线缩短6.6%-34.1%探索路径并完成硬件部署。
2025-10-21 cs.RO
Decentralized Gaussian Process Classification and an Application in Subsea Robotics
US Naval Research Laboratory Acoustics Division, Code 7130(美国海军研究实验室声学 division,代码7130)
本文提出了一种去中心化高斯过程分类方法,用于实时构建水下通信成功率地图,并通过实验证明其在水下环境中的有效性。
2025-11-19 cs.LG cs.RO
Multi-UAV Adaptive Path Planning Using Deep Reinforcement Learning
University of Bonn(波恩大学)
有效的航空数据汇集在许多遥感应用中是重要的。在大规模监测场景中,部署一组无人驾驶飞行器(UAV)可以提高空间覆盖范围和对个别故障的鲁棒性。然而,一个关键的挑战是无人机的合作路径规划,以有效地实现联合任务的目标。提出了一种新的基于深度强化学习的多智能体信息路径规划方法,用于无人机团队自适应地形监测场景。我们引入了新的网络特征表示,以有效地学习在3D工作空间中的路径规划。通过利用反事实基线,我们的方法明确地解决了信用分配学习合作行为。我们的实验评估表明,改进的规划性能,即更快地映射感兴趣的区域,相对于非反事实的变体。合成和现实世界的数据的结果表明,我们的方法具有优越的性能相比,最先进的非学习为基础的方法,同时可转移到不同的团队规模和沟通的限制。
2023-03-02 cs.RO
Cognitive Load-based Affective Workload Allocation for Multi-human Multi-robot Teams
Purdue University(普渡大学)
本研究针对多人多机器人团队协作场景,提出基于深度强化学习的情感化工作负荷分配控制器,结合认知负荷主客观测量动态调荷,经32人真实监控任务实验验证有效,为提升团队协作性能提供新方案。
2024-10-30 cs.HC cs.RO
Strategic Control of Proximity Relationships in Heterogeneous Search and Rescue Teams
Dalle Molle Institute for Artificial Intelligence (IDSIA)(达勒·莫尔人工智能研究所(IDSIA))
在搜索和救援的背景下,我们考虑的任务规划的异质团队,可以包括人类,机器人和动物代理的问题。这个问题是解决使用混合整数数学规划制定,共同确定的路径和活动调度的每个代理在团队中。数学公式的基础上,我们提出了使用软约束和处罚,允许灵活的战略控制的搜索轨迹的代理之间的时空关系。通过这种方式,我们可以使任务规划者能够获得最大化区域覆盖的解决方案,同时控制代理之间的空间接近度(例如,以最小化相互任务干扰或促进本地合作和数据共享)。通过模拟实验,我们展示了战略框架的应用,考虑了现实世界的搜索和救援任务的一些感兴趣的场景。
2013-12-17 cs.RO
Multi-Robot Target Monitoring and Encirclement via Triggered Distributed Feedback Optimization
University of Bologna(博洛尼亚大学)
本文提出一种嵌入ROS 2的触发式分布式反馈优化策略,使异构多机器人仅靠局部测量和异步通信即可协同监测包围目标并巡逻兴趣点,并通过仿真与实物实验验证其有效性。
2024-09-30 cs.RO
Iterated Reasoning with Mutual Information in Cooperative and Byzantine Decentralized Teaming
Georgia Institute of Technology(佐治亚理工学院)
信息共享是建立团队认知的关键,有助于协调和合作。高绩效的人类团队还受益于通过迭代沟通和合理化的层次结构进行战略性行动,这意味着人类代理可以在决策中推理队友的行为。然而,在多智能体强化学习(MARL)的大多数先前的工作不支持迭代合理化,只鼓励智能体通信,导致一个次优的平衡合作策略。在这项工作中,我们表明,重新制定代理的政策是有条件的政策,其相邻的队友固有的最大化互信息(MI)下限时,优化下策略梯度(PG)。有限理性和认知层次理论下的决策思想的基础上,我们表明,我们修改后的PG方法不仅最大限度地提高本地代理人的奖励,但也隐含的原因MI代理之间,而不需要任何明确的ad-hoc正则化条款。我们的方法InfoPG在学习紧急协作行为方面优于基线,并在分散式合作MARL任务中设置了最先进的技术。我们的实验验证了实用的InfoPG实现更高的样本效率和显着更大的累积奖励在几个复杂的合作多智能体域。
2022-06-24 cs.AI cs.LG cs.MA
Multi-Robot Active Information Gathering with Periodic Communication
University of Hamburg(汉堡大学);Tampere University of Technology(坦佩雷理工大学)
共享共同目标的机器人团队可以从团队成员的活动协调中受益,帮助团队更可靠或更快地达到目标。我们解决的问题,协调一个团队的机器人定期通信能力执行信息收集任务的行动。我们铸造的问题作为一个多智能体的最优决策问题的信息理论的目标函数。我们表明,适当的技术解决分散的部分可观察马尔可夫决策过程(Dec-POMDPs)是适用于这样的信息收集问题。我们量化的有用性协调信息收集通过仿真研究,并证明了该方法在现实世界中的目标跟踪域的可行性。
2017-03-07 cs.AI cs.RO
Distributed Timed Elastic Band (DTEB) Planner: Trajectory Sharing and Collision Prediction for Multi-Robot Systems
Technische Universität Dortmund(多特蒙德工业大学)
移动机器人的自主导航是机器人学中的一个研究热点。然而,导航任务变得具有挑战性时,多机器人系统必须合作导航动态环境与死锁倾向的布局。我们提出了一个分布式定时弹性带(DTEB)规划,结合优先级规划与在线TEB轨迹规划,以扩展后者的能力,多机器人系统。拟议的规划器能够在复杂环境中导航时,反应性地避免即将发生的碰撞,并预测性地解决机器人团队之间潜在的僵局。我们的模拟结果表明,在不同的环境设置的规划器的可靠性能和通用性。我们的方法的代码和测试可以在线获得。
2023-03-20 cs.RO
Free-Space Ellipsoid Graphs for Multi-Agent Target Monitoring
Massachusetts Institute of Technology(麻省理工学院);Boston University(波士顿大学)
我们应用一种新的框架分解和推理的自由空间环境中的多智能体持续监测问题。我们的分解方法将自由空间表示为与加权连通图相关联的椭球体的集合。在高级规划期间用于推理连接性和距离的相同椭圆体可以用作模型预测控制算法中的状态约束以强制无碰撞运动。这种结构允许在2D和3D环境中的分布式多智能体任务中简化实现。我们说明了它的有效性,一个团队的跟踪代理人负责监测一组目标代理。我们的算法使用椭球体分解作为原始的协调,路径规划和控制的跟踪代理。仿真实验表明,该算法在多障碍环境下对15个动态目标的跟踪性能良好。
2022-05-31 cs.RO
DORA: Divergence-Oriented Data-Relay Algorithm for Partially Connected Robot Teams
University of Pennsylvania(宾夕法尼亚大学)
针对部分连接异构无人机团队的通信与探索权衡问题,提出散度导向数据中继算法DORA,通过量化信息价值驱动通信,将MRT解析延迟最多降低74.8%。
2026-09-30 cs.RO
A Robotic Cyber-Physical System for Automated Reality Capture and Visualization in Construction Progress Monitoring
Appalachian State University(阿巴拉契亚州立大学);Virginia Tech(弗吉尼亚理工大学)
本文提出一种集成四足机器人、BIM和360°实景捕获的机器人信息物理系统概念框架,用于建筑进度远程自动化监测与可视化,并通过专家访谈探讨了其接受度及影响因素。
2024-02-10 cs.RO
ORION: Option-Regularized Deep Reinforcement Learning for Cooperative Multi-Agent Online Navigation
Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore(机械工程系,设计与工程学院,新加坡国立大学)
该研究提出ORION框架,通过选项批评方法和双阶段合作策略,解决部分已知环境中多智能体导航的路径最优与环境信息收集之间的平衡问题,实现高效实时协作。
2026-05-17 cs.RO
Cooperative UAVs Gas Monitoring using Distributed Consensus
University of Trento(特伦托大学)
本文讨论的问题,在有限的区域内使用多个协调代理的目标检测和定位。无人机(UAV)群在一定的生产区域内尽可能快地确定烟囱流出物扩散到气体羽流的位置,这使得问题具有挑战性,因为目标的时变性。设计并比较了三种不同的探测算法。除了勘探策略,本文报告了一个解决方案,一旦发现的实际堆栈位置的一个成员的团队快速收敛。导航和定位算法都是完全分布式的,并且基于共识理论。模拟现实的案例研究报告。
2019-07-16 cs.DC cs.RO
Coordinated exploration for labyrinthine environments with application to the Pursuit-Evasion problem
Laboratoire Leibniz(莱布尼茨实验室)
本文介绍了一种多机器人协作的方法来解决具有全方位视觉传感器的移动机器人的“追逐逃避”问题。这种方法的主要特点是实现机器人之间的真正合作的基础上知识共享,使他们作为一个团队工作。一个完整的算法计算的运动策略的机器人。该算法基于搜索环境中的临界点。最后给出了一种协商协议,该协议将探索任务在团队中进行分配,并从机器人资源中获取最佳结果。
2018-10-19 cs.AI cs.RO
Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees
Georgia Institute of Technology(佐治亚理工学院)
近年来,研究人员委托机器人和无人机(无人机)团队进行准确的在线野火覆盖和跟踪。虽然大多数先前的工作集中在这种多机器人系统的协调和控制上,但迄今为止,这些UAV团队还没有被赋予推理火灾轨迹的能力(即,位置和传播动态)以在时间范围上提供性能保证。受空中野火监测问题的启发,我们提出了一个预测框架,该框架使多无人机团队能够在概率性能保证的情况下进行合作,以实现协作的现场覆盖和火灾跟踪。我们的方法使无人机推断的潜在火灾传播动力学的时间延长的协调在安全关键条件。我们推导出一组新的,分析的时间,和跟踪误差的界限,使无人机团队分配其有限的资源,并根据情况下的特定估计状态覆盖整个火灾区域,并提供概率性能保证。我们的结果不仅限于空中野火监测的案例研究,一般适用于问题,如搜索和救援,目标跟踪和边境巡逻。我们评估我们的方法在模拟和演示的物理多机器人测试平台上的建议框架,以考虑到真正的机器人动力学和限制。我们的定量评估验证了我们的方法的性能,分别比最先进的基于模型和强化学习基准测试的跟踪误差小7.5倍和9.0倍。
2022-06-21 cs.AI cs.RO cs.SY