SwarmAgentic: Towards Fully Automated Agentic System Generation via Swarm Intelligence
LMU Munich(慕尼黑大学);Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
针对现有智能体系统生成缺乏自主性的问题,提出SwarmAgentic框架,从零构建并联合优化智能体功能与协作,在六个任务上超越基线,显著提升性能。
2025-06-18 cs.AI cs.MA
Path Planning of an Autonomous Mobile Robot in a Dynamic Environment using Modified Bat Swarm Optimization
University of Baghdad(巴格达大学);Bahria University(巴里亚大学)
针对动态环境下的移动机器人导航问题,提出了一种改进的蝙蝠算法(BA)。这项工作的主要目标是获得无碰撞,最短,最安全的路径之间的起点和终点假设一个动态的环境中移动的障碍。本文对标准BA算法的频率参数提出了一种新的修正,即修正频率蝙蝠算法(MFBA)。在动态环境中的移动机器人的路径规划问题进行了使用建议MFBA。路径规划是在两种模式下实现的;第一种模式被称为路径生成,并使用MFBA实现,当移动机器人附近没有障碍物存在时,启用此模式。当检测到接近移动机器人的障碍物时,启动避障(OA)。通过仿真实验,与标准BA算法进行了性能比较,验证了基于MFBA的路径规划算法的有效性和效率。仿真结果表明,MFBA规划出的无碰撞路径比标准BA规划出的路径更短、更安全、更平滑。
2019-07-09 cs.RO
Generating Interpretable Fuzzy Controllers using Particle Swarm Optimization and Genetic Programming
Technical University of Munich(慕尼黑工业大学);Siemens AG(西门子股份公司)
使用预先存在的工厂轨迹数据自主训练可解释的控制策略(称为策略)在工业应用中具有极大的兴趣。模糊控制器作为可解释的、有效的系统控制器已经在工业中使用了几十年。在这项研究中,我们引入了一个模糊遗传编程(GP)的方法,称为模糊GP强化学习(FGPRL),可以选择相关的状态特征,确定所需的模糊规则集的大小,并自动调整所有的控制器参数同时。每个GP个体的适应度使用基于模型的批处理强化学习(RL)来计算,该批处理首先使用可用的系统样本来训练模型,然后执行Monte Carlo推出以预测每个策略候选者的性能。我们比较FGPRL的相关方法称为模糊粒子群强化学习(FPSRL),它使用群体智能调整模糊政策参数的扩展版本。使用工业基准的实验表明,FGPRL能够自主学习可解释的模糊策略,具有较高的控制性能。
2018-04-29 cs.AI
Distributed Machine Learning for UAV Swarms: Computing, Sensing, and Semantics
King’s College London(伦敦国王学院);Zhejiang University(浙江大学);Pusan National University(釜山国立大学)
无人机群由于其灵活性、移动性、低成本以及协作和自主提供服务的能力而被认为是下一代通信网络的有前途的技术。分布式学习(DL)使无人机群能够智能地提供通信服务、多方向远程监视和目标跟踪。本文首先介绍了联邦学习(FL)、多智能体强化学习(MARL)、分布式推理和分裂学习等几种流行的深度学习算法,并对它们在无人机机群中的应用进行了全面综述,如航迹设计、功率控制、无线资源分配、用户分配、感知和卫星通信等。然后,介绍了无人机机群在无线通信系统中的几种最新应用,如可重构智能表面(RIS)、虚拟现实(VR)、语义通信等,并讨论了DL使能的无人机机群在这些应用中可以解决的问题和挑战。最后,我们描述了开放的问题,使用DL无人机群和未来的研究方向DL使无人机群。总之,本次调查提供了一个全面的调查各种DL应用无人机群在广泛的场景。
2023-01-03 cs.AI cs.LG
Solving a Path Planning Problem in a Partially Known Environment using a Swarm Algorithm
Ministry of Defence(国防部)
提出了一种在部分已知环境下自主地面车辆(AGV)导航的路径规划策略。通过首先使用包含来自合适的空间数据库的诸如高度数据和土壤信息之类的所选属性的待穿越区域的空间数据库来执行全局路径规划。该数据库使用仿生群算法进行处理,该算法的灵感来自白蚁的筑巢策略。利用来自各种传感器的关于影响AGV安全导航的突发事件的信息在线执行本地路径规划。所讨论的模拟已经在开源的Player-Stage-Gazebo平台上实现。
2019-06-27 cs.AI cs.RO
From Pheromones to Policies: Reinforcement Learning for Engineered Biological Swarms
Department of Computer Science, University of Namur(南姆大学计算机科学系)
本研究证明信息素介导的线虫聚集等价于强化学习,并通过引入探索性个体恢复动态环境中的集体可塑性,为工程化生物群体提供韧性决策框架。
2025-09-24 cs.AI
Mobile Robot Path Planning in Static Environments using Particle Swarm Optimization
运动规划是机器人技术中的一个关键环节,它使机器人能够自主导航。粒子群优化算法是一种简单但功能强大的优化技术,已被有效地应用于许多复杂的多维优化问题。提出了一种基于粒子群优化的路径规划算法,用于计算移动机器人在静态凸障碍物环境中的最短无碰撞路径。该算法通过对机器人起始位置和目标位置之间生成的网格线进行随机采样来找到最优路径。所提出的算法的功能说明通过不同的情况下的仿真结果。
2020-08-23 cs.RO
Programmable Control of Ultrasound Swarmbots through Reinforcement Learning
ETH Zurich(苏黎世联邦理工学院)
针对声学驱动微型机器人自主控制难题,提出基于强化学习的微气泡声学导航方法,利用次级辐射力形成微气泡群并使用超10万张图像训练,首次实现微流控环境中的自主导航与鲁棒控制。
2022-09-30 cs.AI cs.RO
Q-Learning based system for path planning with unmanned aerial vehicles swarms in obstacle environments
University of A Coruna(拉科鲁尼亚大学);University of Aveiro(阿威罗大学)
针对障碍环境下无人机集群区域覆盖路径规划问题,提出基于Q-Learning的强化学习系统,采用人工神经网络自调整,无需先验信息,实验验证其随无人机数量增多路径动作更少、能耗更低,效果优于现有前沿方法。
2023-08-25 cs.AI cs.RO
NavigScene: Bridging Local Perception and Global Navigation for Beyond-Visual-Range Autonomous Driving
Center for Research in Computer Vision, University of Central Florida(计算机视觉研究中心,中央佛罗里达大学)
提出辅助导航数据集 NavigScene 及三种融合全局导航信息的范式,通过增强视觉语言模型的超视距推理与泛化能力,显著提升自动驾驶在感知、预测、规划和问答任务上的性能。
2025-07-07 cs.CV cs.LG cs.MM
SwarmPRM: Probabilistic Roadmap Motion Planning for Large-Scale Swarm Robotic Systems
College of Engineering, Peking University(北京大学工学院)
本文提出SwarmPRM,一种分层可扩展的基于采样的运动规划方法,利用GMM表示集群宏观状态并构建高斯路线图,结合CVaR增强风险意识,通过线性规划优化轨迹,显著提升大规模集群机器人的计算效率、可扩展性与轨迹质量。
2024-10-13 cs.RO
SwarmHarness: Skill-Based Task Routing via Decentralized Incentive-Aligned AI Agent Networks
Department of Computer Science(计算机科学系);Western Michigan University(西部密歇根大学)
提出SwarmHarness去中心化协议,通过DHT注册、效用函数路由和Shapley值激励,实现无中心化计算集群的自我组织与任务分配。
2026-05-27 cs.AI cs.DC cs.MA
Distributed Swarm Trajectory Optimization for Formation Flight in Dense Environments
Zhejiang University(浙江大学);Huzhou Institute, Zhejiang University(浙江大学湖州研究院)
对于空中机群,在各种情况下广泛实践以规定编队的导航。然而,相关的规划策略通常缺乏在杂乱环境中避开障碍物的能力。为了解决这个问题,我们提出了一种基于优化的方法,以确保无碰撞轨迹生成编队飞行。本文提出了一种新的可微度量来量化地层之间的总体相似距离。然后,我们制定这个指标到一个优化框架,实现时空规划使用多项式轨迹。最小化碰撞惩罚也被纳入框架,使编队保持和避障可以同时处理。为了验证我们的方法的效率,我们进行基准比较与其他尖端的作品。结合自主分布式空中集群系统,该方法在现实世界的实验中,障碍物丰富的环境中证明了其效率和鲁棒性。我们将发布源代码供社区参考。
2022-04-21 cs.RO
QwenPaw-Data: Bridging Facts, Methodology, and Execution for Autonomous Enterprise Data Analytics
Alibaba Group(阿里巴巴集团)
研究针对企业数据分析在开放环境的特性,提出QwenPaw-Data系统,通过整合异构资产、转化自然语言请求为工作流,架构含三个协作子系统,实验证明该系统提升了数据访问和分析质量,为企业数据智能体提供基础。
2026-07-15 cs.AI
Autonomous Situational Awareness for UAS Swarms
University of Alabama(阿拉巴马大学)
本文描述了一种无人机机群自主任务规划技术。给定在已知区域中运行的群,中央命令系统从群生成测量结果。如果这些测量结果表明任务情况发生了变化,如目标移动,则群规划将更新以反映新的情况,并将制导更新广播到群。在这项工作中的主要算法是A* 寻路和广义标记多伯努利多目标跟踪方法。
2021-04-18 cs.MA cs.RO cs.SY
Autonomous Situational Awareness for Robotic Swarms in High-Risk Environments
the University of Alabama(阿拉巴马大学)
本文介绍了一种技术,自主任务规划的机器人群在高风险的环境中,代理禁用是可能的。给定在已知区域中运行的群,中央命令系统从群生成测量结果。如果这些测量结果表明任务情况发生了变化,如目标移动或代理丢失,则群规划将更新以反映新的情况,并将制导更新广播到群。在这项工作中的主要算法是A* 寻路和广义标记多伯努利多目标跟踪方法。
2021-05-11 cs.MA cs.RO cs.SY
Adversarial Impacts on Autonomous Decentralized Lightweight Swarms
无人驾驶飞行器(UAV)和无人驾驶地面车辆(UGV)的尺寸和成本的减小使得能够使用成群的无人驾驶自主车辆来完成各种任务。通过利用群集行为,可以有效地完成协调任务,同时最大限度地减少每个无人机的计算需求。一些无人机依赖于分散的协议,这些协议在整个群中表现出紧急行为。虽然完全分散的算法消除了明显的攻击向量,但它们对外部影响的敏感性却不太了解。这项工作调查的影响,可以妥协的自治群的功能,导致危险的情况和级联漏洞。当一个蜂群被赋予涉及人类安全或健康的任务时,外部影响可能会产生严重的后果。这项工作中的对抗性群体利用嵌入在先前定义的自治群体的分散运动算法中的攻击向量,该算法旨在创建一个周边哨兵群体。各种模拟证实了对抗性群体捕获周界的显著部分(6-23%)的能力。
2020-02-21 cs.MA
The Swarmathon: An Autonomous Swarm Robotics Competition
The University of New Mexico(新墨西哥大学);Florida Institute of Technology(佛罗里达理工学院);NASA Kennedy Space Center(美国国家航空航天局肯尼迪航天中心);Santa Fe Institute(圣达菲研究所)
Swarmathon是一个群体机器人编程挑战,吸引了来自NASA火星之旅少数民族服务机构的大学生。参赛队伍通过编程一组机器人在收集区搜索、拾取和放下资源来进行竞争。Swarmathon为机器人群生产原型,这些机器人群将在火星表面收集资源。机器人完全自主运行,没有全局地图,每个团队的算法必须足够灵活,以有效地从各种未知分布中找到资源。Swarmathon包括物理和虚拟比赛。物理竞赛者在他们在学校建造的机器人上测试他们的算法;然后他们上传代码,在肯尼迪航天中心的户外竞技场进行为期三天的比赛,在相同的机器人上自主运行。虚拟竞争者在模拟中完成相同的挑战。参与者指导当地球队在一个单独的高中组比赛。在最初的两年里,有1,100多名学生参加。63%的学生来自代表性不足的民族和种族群体。参与者在兴趣和核心机器人能力方面都有显着的收获,这些能力在性别和种族群体中是等同的,这表明Swarmathon正在有效地教育未来机器人专家的多样化人群。
2018-05-21 cs.MA cs.RO
Cooperation of Multiple Autonomous Robots and Analysis of their Swarm Behavior
在本文中,我们扩展了之前对协作自主机器人的研究,以包括环境变化和群中机器人数量变化可能影响执行分配给机器人群的任务的效率的情况。我们提出了一种新的方法,基于划分的机器人行为。描述子路线的子图使我们能够使用有限数量的状态组合来模拟自主机器人之间的高级交互,避免可达性的组合爆炸。我们确定了可以确保机器人交互正确性的系统。提出了组合机器人行为验证与分析的新技术。分区图使我们能够模拟先进的自主机器人之间的相互作用和检测不规则性,如死锁,缺乏终止等技术提出了验证和分析组合机器人的行为,使用模型检验方法。所描述的系统,Dedan验证器,仍在开发中。在不久的将来,计划进行定时和概率验证。
2018-12-28 cs.MA cs.RO
U2UData+: A Scalable Swarm UAVs Autonomous Flight Dataset for Embodied Long-horizon Tasks
针对现有数据集无法支撑集群无人机完成具身长程(ELH)任务的问题,本文提出大规模集群无人机自主飞行数据集U2UData+及配套可扩展闭环验证平台,提供野生动物保护ELH任务基准。
2025-11-19 cs.AI cs.MA cs.MM
Programming and Deployment of Autonomous Swarms using Multi-Agent Reinforcement Learning
自治系统(AS)通过持续观察周围环境的状态并朝着目标采取行动来执行复杂的任务。成群的AS一起工作可以比单个AS更快更有效地完成任务。为了构建今天的蜂群,开发人员手工制作了自己的软件来存储,聚合和从观察中学习。我们提出了舰队计算机,开发和管理集群的平台。Fleet Computer提供了一种编程范例,简化了多智能体强化学习(MARL)--一种协调智能体群的新兴算法。舰队计算机仅使用程序员提供的两个函数Map()和Eval(),即可编译和部署群并不断更新管理行动的强化学习模型。为了节省计算资源,Fleet Computer将优先级调度给有助于有效行动的模型,从而在在线学习和资源管理之间建立了一种新的联系。我们为农业中的无人机(UAV)和城市交通的视频分析开发了Swarm。与单个AS相比,我们的集群使用4架无人机实现了4.4倍的加速,使用130台摄像机实现了62倍的加速。与实践中广泛使用的构建群的竞争方法相比,我们的群效率高出3倍,使用的能量少了3.9倍。
2021-05-21 cs.DC cs.MA
Urban Swarms: A new approach for autonomous waste management
Massachusetts Institute of Technology(麻省理工学院);University of Pisa(比萨大学);Bruno Kessler Foundation(布鲁诺·凯斯勒基金会);University of Florence(佛罗伦萨大学);Université libre de Bruxelles(布鲁塞尔自由大学)
现代城市是不断增长的生态系统,由于人口需求的不断增长而面临新的挑战。他们现在面临的许多问题之一是废物管理,这已成为一个迫切的问题,需要新的解决方案。在过去的几年里,群机器人系统一直吸引着越来越多的关注,它们有望成为机器人领域创新的主要驱动因素之一。本文提出的研究探讨了在城市环境中的群体机器人系统的可行性。通过使用生物启发的觅食方法,如多地点觅食和基于污名的导航,一群机器人能够在现实场景中提高城市废物管理系统的效率和自主性。为了实现这一点,一组不同的模拟实验进行了使用现实世界的GIS数据和实现不同的垃圾回收场景驱动的机器人群。在这项研究中提出的结果表明,所提出的系统优于目前的方法。此外,结果不仅显示了我们的解决方案的效率,而且还提供了有关如何设计和定制这些系统的见解。
2019-03-01 cs.MA cs.RO
A Minimal Model for Emergent Collective Behaviors in Autonomous Robotic Multi-Agent Systems
Department of Cybernetics, Czech Technical University in Prague(控制论系,布拉格捷克技术大学)
本文提出一个最小模型,利用相对位置、速度、局部密度及两个可调参数控制智能体动力学,实现无碰撞且灵活的集体行为,并扩展至认知自主系统以实现能量感知相变,为多机器人系统提供稳健基础。
2025-08-13 cs.MA cs.RO
G-flocking: Flocking Model Optimization based on Genetic Framework
National University of Defense Technology(国防科技大学)
群集模型被广泛应用于机器人群体的控制。然而,随着可扩展性的提高,机器人群体在自主导航中存在着内部模式维护、外部环境变化、目标区域定位等复杂冲突,导致稳定性和适应性较差。因此,优化机器人群体自主导航的群集模型是一个重要而有意义的研究领域。
2019-07-27 cs.MA cs.RO
A Minimalist Controller for Autonomously Self-Aggregating Robotic Swarms: Enabling Compact Formations in Multitasking Scenarios
Santa Catarina State University(圣卡塔琳娜州大学)
本文提出一种仅依赖视距传感器的极简多任务自聚合控制器,使同质机器人群体能自主分选为多个紧凑簇,在保持成簇比例的同时显著提升簇的紧凑性和可扩展性。
2025-07-18 cs.MA cs.RO
Future urban mobility as a bio-inspired collaborative system of multi-functional autonomous vehicles
MIT Media Lab(麻省理工学院媒体实验室)
快速城市化和气候变化挑战需要能够实现城市中人员和货物高效流动的解决方案。我们设想未来的城市将由高性能的步行区组成,在那里,超轻型共享和自动驾驶车辆可以满足交通需求。在未来,大多数车辆都将是自主的,这为车辆之间可能的互动创造了一个新的范例。自然群体是一个很好的例子,可以丰富的互动;他们可以分工,集群,一起建设,或合作运输。群体机器人领域已经将自然群体的一些行为转化为人工系统,证明使系统更加灵活,可扩展和鲁棒。受大自然的启发和群体机器人技术的支持,本文提出了一种未来的移动性,其中共享,电动和自动驾驶车辆将是多功能的,并表现为一个协作系统。在未来,多功能车辆将协同完成不同的任务,以满足不同的城市交通需求。本文提出了一个未来城市交通框架,以一种新颖独特的方式整合了当前的研究和交通趋势。
2022-02-24 cs.MA cs.RO cs.SY
Robust Barrier Functions for a Fully Autonomous, Remotely Accessible Swarm-Robotics Testbed
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所)
Robotarium是一个可远程访问的群集机器人测试平台,它为数以百计的用户提供了免费的、开放获取的机器人技术和控制研究,进行了数千次实验。这种高水平的使用要求系统中的自主性,这主要对应于用户提交的上下文中的约束满足。换句话说,在用户对机器人的输入可能导致碰撞的情况下,必须改变这些输入以自动避免这些碰撞。然而,这些改变必须是最小的,以保持用户在实验中的目标。为此,该系统利用了屏障功能,其允许微创的生物合成过程。然而,障碍函数尚未相对于未建模的干扰(例如,车轮打滑或分组丢失)。因此,本文为一类受扰控制仿射系统制定了鲁棒障碍函数,这反过来又是机器人完全自主操作的关键(即,没有人的监督)。实验结果表明,这种强大的配方在机器人的长期实验的有效性。
2019-09-06 cs.MA cs.RO cs.SY
Industry Led Use-Case Development for Human-Swarm Operations
University of Southampton(南安普顿大学);University of Nottingham(诺丁汉大学)
在无人驾驶汽车领域,自主机器人群体有望提高效率和集体自主性。这些蜂群未来将如何运作,以及将出现什么样的通信要求和运作边界,都还有待充分界定。与11名专业无人驾驶飞行器操作员和设计人员举办了一个讲习班,目的是确定开发和测试机器人群的使用案例。专家们定义了三个场景,然后进行了编译,以生成一个单一的用例,概述了与高度自治的群协作时的场景、目标、代理、通信要求和操作阶段。我们编译的用例旨在供研究人员,设计师和制造商测试和定制他们的设计流程,以适应人类群体交互中的一些关键问题。应用示例包括为模拟开发提供信息、为进一步的设计研讨会奠定基础以及识别人类操作员和群体之间可能出现的信任问题。
2022-07-24 cs.HC cs.MA cs.RO
Onboard Ranging-based Relative Localization and Stability for Lightweight Aerial Swarms
Faculty of Aerospace Engineering, Delft University of Technology(代尔夫特理工大学航空航天工程学院);School of Software Engineering, Southeast University(东南大学软件工程学院)
本文提出一种融合超宽带测距与邻居共享状态的轻量级空中集群自主相对定位方法,在13架33克资源受限无人机上实现16Hz频率下小于0.2米定位误差,并发现不可观测性可通过控制动作自动恢复可观测性。
2024-09-28 cs.MA cs.RO
Emergent Multi-View Fidelity in Autonomous UAV Swarm Sport Injury Detection
School of Engineering Trinity College Dublin Dublin, Ireland(工程学院 三一学院都柏林 都柏林 英国)
本文提出利用无人机群自动实现多视角碰撞检测,以提高运动学提取的准确性和冗余性,无需无人机间通信。
2025-05-10 cs.MA cs.RO cs.SY
King of the Hill: C2 for Next Generation Swarm Warfare
本文提出博弈论框架与虚拟对抗环境,用于评估多智能体蜂群在合作和竞争场景中的不同指挥控制结构,并揭示其在兵力劣势时的兵力倍增作用。
2023-09-30 cs.MA nlin.AO
Autonomous Tracking of Intermittent RF Source Using a UAV Swarm
North Carolina State University(北卡罗来纳州立大学)
本文研究利用无人机群自主定位和追踪间歇性RF发射源,通过比较两种算法在定位和路径规划中的性能与计算负载。
2018-01-03 cs.MA cs.SY eess.SP
Steady-State Strategy Synthesis for Swarms of Autonomous Agents
本研究针对多自主智能体系统的稳态策略合成问题,证明其存在计算难度且无记忆策略组合存在局限,同时为完全无记忆策略子类设计了高效可扩展的合成算法,实验显示其性能优于朴素策略共享算法。
2025-05-20 cs.MA
Scalable Satellite Swarm Deployment via Distance-based Orbital Transition Under $J_2$ Perturbation
Institute of Science Tokyo(东京科学大学);Interstellar Technologies Inc.(星际技术株式会社);Japan Aerospace Exploration Agency(日本宇宙航空研究开发机构)
针对卫星群部署问题,本文推导J₂摄动下的平均轨道参数及目标值,设计基于距离的轨道稳定器实现去中心化部署,结合无燃料驱动维持长期稳定性,并通过控制器缓解通信中断时的漂移风险,支持可扩展分布式空间结构构建。
2025-11-17 cs.MA
Market-Based Replanning for Safety-Critical UAV Swarms in Search and Rescue Missions
KTH Royal Institute of Technology(皇家理工学院);Swedish Defence Research Agency(瑞典国防研究机构);KTH Royal Institute technological Institute(皇家理工学院)
提出一种分布式协调架构IRDS,通过反向拍卖市场机制和几何共识协议,在无人机故障下自主重分配任务,在25%退化下保持93%任务成功率。
2026-06-01 cs.MA cs.RO cs.SY
Cognitive swarming in complex environments with attractor dynamics and oscillatory computing
Johns Hopkins University School of Medicine(约翰斯·霍普金斯大学医学院);The Johns Hopkins University/Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室)
与动物的自然栖息地相比,空间认知的神经生物学理论是在相对较小和/或简单的环境中记录数据。目前还不清楚如何将理论模型扩展到大型或复杂的空间。作为补充,在自主系统技术中,分布式控制方法的应用一直在增长,这些方法可以扩展到大量的低占用移动平台。动物和机器人群体必须解决在复杂和不确定的环境中航行的共同问题。在这里,我们介绍了“NeuroSwarms”控制框架,研究是否可以通过直接类比啮齿动物空间认知的神经回路来实现最小人工代理的自适应,自主的群体控制。NeuroSwarms将智能体类比为神经元,将群集组类比为循环网络。我们实现了类似神经元的代理交互,其中相互可见的代理就好像它们是吸引子网络中相互连接的位置细胞一样。我们归因于一个相位状态的代理,使模式的振荡同步类似于海马模型的θ-节律(5 - 12赫兹)序列的产生。我们证明了多智能体群集和奖励方法动态可以表示为Hebbian学习的移动形式,并且NeuroSwarms支持直接告知动物认知理论模型的单实体范式。我们提出了紧急的行为,包括阶段组织环和轨迹序列,与环境的线索和几何形状在大,分散的迷宫。因此,NeuroSwarms是一个模型人工空间系统,它集成了自主控制和理论神经科学,以潜在地揭示推进这两个领域的共同原则。
2019-09-15 cs.MA cs.NE cs.RO
Distributed Swarm Collision Avoidance Based on Angular Calculations
Isfahan University of Technology(伊斯法罕理工大学)
避碰是机器人领域的重要课题之一。目标是将机器人从初始位置移动到目标位置,使它们在最短的时间内以最少的能量遵循最短的无碰撞路径。本文提出了一种适用于密集复杂二维和三维环境的分布式实时算法。该算法使用角度计算来选择每个机器人的运动的最佳方向,它已被证明,这些单独的计算导致代理之间的合作行为的形式。我们评估了所提出的方法在各种模拟和实验方案,并与FMP和ORCA,在这一领域的两个重要算法的结果进行了比较。结果表明,该方法比ORCA至少快25%,比FMP至少快7%,也比这两种方法更可靠。所提出的方法,使完全自主导航的一群crazyflies。
2021-08-29 cs.AI cs.MA cs.RO
Human-LLM Synergy in Context-Aware Adaptive Architecture for Scalable Drone Swarm Operation
Honda Research Institute Europe, Germany(本田欧洲研究机构)
针对灾害响应中无人机蜂群协调的固定架构低效问题,提出利用大语言模型根据实时任务参数动态选择集中式、层级式或全息式架构的自适应方法,仿真验证其在可扩展性、能效和连接性上优于静态模型。
2025-09-03 cs.MA cs.RO
Visual Swarm Navigation via Deep Reinforcement Learning and Evolutionary Hybrid Design
University of Alicante(阿利坎特大学)
本文提出一种结合多智能体强化学习与神经进化的混合方法,利用单目视觉和紧凑网络合成群体导航控制器,在仿真中实现高效集体探索,能耗降低31.40%。
2026-10-06 cs.MA cs.NE cs.RO
Seeking Open-Ended Evolution in Swarm Chemistry II: Analyzing Long-Term Dynamics via Automated Object Harvesting
我们研究了进化群体化学的长期动力学,与早期工作相比,将模拟长度延长了十倍,并开发和使用了一种新的自动化对象收获方法。宏观动力学和微观物体特征都使用几种措施进行表征和跟踪。结果表明,在经历了最初的过渡期后,演化动力学趋于稳定,环境扰动的程度也对演化趋势产生了重要影响。与此同时,自动收获方法成功地产生了大量自发进化的物体,以前所未有的规模揭示了系统的自主创造力。
2018-06-03 cs.MA cs.NE nlin.AO
The impact of catastrophic collisions and collision avoidance on a swarming behavior
George Mason University(乔治梅森大学)
成群的自主智能体在许多应用中是有用的,因为它们能够以分散的方式完成任务,使它们对故障更具鲁棒性。由于难以使用大量硬件代理运行实验,研究人员经常简化假设并删除可能存在于真实群部署中的约束。虽然简化了一些限制是可以容忍的,但我们觉得有两个特别被忽视了:一是群体中的代理占用物理空间,二是代理可能在碰撞中受损。许多现有的作品假设代理人有可忽略的大小或通过彼此没有额外的惩罚。似乎可以忽略这些约束,使用碰撞避免,但我们使用一个说明性的例子,这是说起来容易做起来难。特别是,我们表明,碰撞避免可能会干扰预期的群集行为和显着的参数调整是必要的,以确保尽可能好地出现的行为,同时避免碰撞。我们比较了四种不同的碰撞避免算法,其中两种我们认为是最好的分散式碰撞避免算法。尽管投入了大量的精力来调整每个算法以达到最佳性能,但我们相信我们的研究结果表明,有必要进一步研究,以开发可以实现其目标的群集行为,同时避免与不可忽略体积的代理发生冲突。
2021-03-03 cs.MA cs.RO cs.SY