Melding LLM and temporal logic for reliable human-swarm collaboration in complex scenarios
School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院）；Division of Natural and Applied Sciences, Duke Kunshan University（杜克昆山大学自然与应用科学学院）；School of Automaton, Southeast University（东南大学自动化学院）；School of Automation Science and Electrical Engineering, Beihang University（北航自动化科学与电气工程学院）
本文提出一种神经符号框架，结合时序逻辑与大语言模型，实现长周期人-群智协作，通过形式化任务规划与上下文感知推理，提升动态环境中任务规划的可靠性与效率。
2026-05-08 cs.RO
Agent-Based Emulation for Deploying Robot Swarm Behaviors
George Mason University（乔治梅森大学）；University of Utah（犹他大学）
本文提出基于智能体的具身建模与仿真方法，通过低保真轻量级仿真指导物理实验，在简单机器人群体中重现已知行为并发现新的涌现行为。
2024-10-21 cs.RO cs.SY eess.SY
Collective Bayesian Decision-Making in a Swarm of Miniaturized Robots for Surface Inspection
University of Groningen（格罗宁根大学）；University of Southern California（南加州大学）；Princeton University（普林斯顿大学）
本研究提出一种基于振动传感的微型机器人集群表面检测实验装置，研究贝叶斯双结果决策算法，开发仿真优化框架，提出新信息共享策略，在100次仿真和10次真实实验中使平均决策时间最多缩短20.52%，准确率仅损失0.78%。
2025-07-10 cs.RO cs.SY eess.SY
SwarmPath: Drone Swarm Navigation through Cluttered Environments Leveraging Artificial Potential Field and Impedance Control
Intelligent Space Robotics Laboratory, Center for Digital Engineering, Skolkovo Institute of Science and Technology（智能空间机器人实验室、数字工程中心、斯克尔科夫科学与技术研究所）
提出SwarmPath技术，融合人工势场与阻抗控制，实现无人机集群无碰撞导航，减少30%旅行时间，轨迹误差仅6%。
2024-10-10 cs.RO
AVOID-JACK: Avoidance of Jackknifing for Swarms of Long Heavy Articulated Vehicles
Chair for Computational Intelligence, Otto-von-Guericke-University（计算智能系，奥托·冯·格里克大学）；Fraunhofer Institute for Transportation and Infrastructure Systems IVI（交通与基础设施系统研究所）
本文提出一种基于反应的分布式 swarm 智能策略，用于避免长重型关节车辆的翻车和相互碰撞，通过模拟实验验证了其有效性。
2025-11-11 cs.AI cs.MA cs.RO
Hearing the shape of an arena with spectral swarm robotics
Université Paris Cité（巴黎西岱大学）；CNRS（法国国家科学研究中心）；LIMMS (IRL2820)/CNRS-IIS（LIMMS（IRL2820）/法国国家科学研究中心-东京大学）；University of Tokyo（东京大学）；Sorbonne Université（索邦大学）；Ochanomizu University（御茶水女子大学）；Université Jean Monnet Saint-Étienne（圣艾蒂安让·莫内大学）；Institut Universitaire de France（法国大学研究院）
引入谱群机器人技术，通过机器人扩散信息模拟拉普拉斯算子以“听到”竞技场谱并识别其形状，揭示了最优机器人数量与交互半径的缩放规律，并用 Kilobots 实验验证。
2026-10-23 cs.AI cs.CG cs.RO
Evolutionary Swarm Robotics: Dynamic Subgoal-Based Path Formation and Task Allocation for Exploration and Navigation in Unknown Environments
University of Jaffna（贾夫纳大学）
本文提出基于子目标的路径形成与任务分配策略，解决未知环境中群体机器人的探索导航及交通拥堵问题，仿真验证其优于A*算法，具有可扩展性和鲁棒性。
2023-12-27 cs.MA cs.NE cs.RO
Leveraging Swarm Intelligence to Drive Autonomously: A Particle Swarm Optimization based Approach to Motion Planning
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
本文提出一种以 PSO 为核心、车型无关且易适配新场景的模块化运动规划流水线，并通过自动接驳车超过 3.500 公里的安全自主行驶验证其有效性。
2024-04-03 cs.RO
Autonomous Multi-Robot Infrastructure for AI-Enabled Healthcare Delivery and Diagnostics
Heriot-Watt University（赫瑞瓦特大学）
本研究基于群体智能设计了融合可穿戴传感器、RF通信与AI决策支持的主从式多机器人住院护理系统，经模拟环境自测验证，其传感器准确率超94%、任务成功率92%、通信可靠性96%，可实现患者监测、送药与异常预警，为医院自动化提供高性价比方案。
2025-09-30 cs.AI cs.RO
Automated Construction of Metric Maps using a Stochastic Robotic Swarm Leveraging Received Signal Strength
University of Southern California（南加利福尼亚大学）；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自动化的过程，用于构建一个未知的域与障碍物使用不确定的位置数据收集的一群资源受限的机器人的度量地图。机器人通过将机载测距信息与从位于域外部的发射器接收的信号的噪声测量相结合，在域的随机探索期间获得该数据。该数据被离线处理以计算自由空间在域的离散化上的密度函数。我们使用持久的同源技术从拓扑数据分析估计阈值的密度函数的值，从而分割的障碍物占据的区域中的未知域。我们的方法是充实的理论结果证明其完整性和分析其时间复杂度。该程序的有效性示出了六个不同的域，每个域有两个信号发射机进行数值模拟。
2019-03-13 cs.RO
Dynamic Subgoal based Path Formation and Task Allocation: A NeuroFleets Approach to Scalable Swarm Robotics
NeuroFleets (PVT) LTD（神经舰队私人有限公司）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；University of Jaffna（贾夫纳大学）
本文提出 NeuroFleets 方法，通过有限状态机、视觉连通子目标和基于光信号通信的任务分配策略，实现未知环境中群体机器人的去中心化路径形成与最优资源部署，并在 Argos 仿真中验证其可扩展性、鲁棒性和容错性。
2024-09-01 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
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
Planning-Assisted Context-Sensitive Autonomous Shepherding of Dispersed Robotic Swarms in Obstacle-Cluttered Environments
School of Engineering and Information Technology, University of New South Wales, Canberra ACT, Australia（工程与信息技术学院，新南威尔士大学，堪培拉ACT，澳大利亚）
针对障碍密集环境中分散机器人群体牧羊任务的现有方法不足，本文提出带避障能力的规划辅助上下文敏感自主牧羊框架，结合分层规划系统，经多场景实验验证了方法有效性。
2023-02-27 cs.NE cs.RO
A Learning Framework For Cooperative Collision Avoidance of UAV Swarms Leveraging Domain Knowledge
本文提出一种基于领域知识驱动奖励的多智能体强化学习框架，通过将障碍物建模为二维场极大值并近似等高线来实现无人机集群的协同避碰，支持大规模集群训练并在复杂环境中表现出色。
2025-07-15 cs.LG cs.MA cs.RO
Exploring Self-Assembling Behaviors in a Swarm of Bio-micro-robots using Surrogate-Assisted MAP-Elites
Ochanomizu University（御茶水女子大学）；Sorbonne Université（索邦大学）；CNRS Institut des Systèmes Intelligents et de Robotique (ISIR)（法国国家科学研究中心智能系统与机器人研究所）
成群的分子机器人是通过自组装在微观尺度上创造特定形状的一种有前途的方法。然而，控制它们的行为是一个具有挑战性的问题，因为它涉及复杂的非线性动力学和高实验可变性。手工制作一个分子控制器通常是耗时的，并给出次优的结果。优化方法，如bioNEAT算法，以前被用来部分克服这些困难，但他们仍然不得不应付欺骗性的高维搜索空间和计算昂贵的模拟。在这里，我们描述了一种新的方法来解决这个问题，使用MAP精英，搜索高性能和多样化的解决方案的算法。然后，我们将其应用于我们最近引入的分子机器人框架，该框架允许在微观尺度上进行传感，信号传递和自组装，并表明MAP-Elites优于以前的方法。此外，我们提出了一个微型机器人物理和化学反应动力学的代理模型，以减少仿真的计算成本。我们表明，由此产生的方法是能够优化控制器，具有类似的精度，当只使用一个成熟的现实模型，一半的计算预算。
2019-10-01 cs.NE cs.RO
Dynamic Reconfiguration of Robotic Swarms: Coordination and Control for Precise Shape Formation
针对机器人集群构型转换中路径规划难、受物理系统误差干扰的问题，本文提出基于几何公式结合控制、定位与建图技术的协调算法，可实现构型无缝转换，支撑更复杂的集群分布式行为。
2025-11-14 cs.RO
STAR: Swarm Technology for Aerial Robotics Research
College of Design and Engineering, National University of Singapore（新加坡国立大学设计与工程学院）
针对多无人机实体系统成本高阻碍空中集群研究的问题，本文提出基于低成本开源Crazyflie平台的STAR框架，搭配路标定位模块与速度障碍避障方案，降低空中集群实验门槛，推动理论落地。
2024-06-24 cs.RO
Trust Aware Emergency Response for A Resilient Human-Swarm Cooperative System
College of Aeronautics and Engineering, Kent State University（肯特州立大学航空与工程学院）
一个人类群体合作系统，它混合了多个机器人和一个人类监督者，形成一个异构的团队，被广泛用于紧急情况下，如社会安全中的犯罪跟踪和自然灾害中的受害者援助。这些突发场景需要协作团队快速终止当前任务并将系统转移到新任务，这给运动规划带来了困难。此外，由于即时的任务转换，来自物理系统和先前任务的不确定性积累，以降低群体的性能，导致机器人故障，并影响人类和机器人群体之间的合作效率。因此，考虑到快速过渡的要求和引入的不确定性，与执行允许任务之间逐渐过渡的正常任务相比，人类群体系统响应紧急任务具有挑战性。人类信任揭示了他人的行为期望，并用于调整不满意的行为以获得更好的合作。受人类信任的启发，本文提出了一种信任感知的反射控制（Trust-R）来动态校准人类群体的合作。Trust-R基于加权平均子序列简化算法（WMSR）和人类信任建模，帮助群体从人类信任的角度自我反思其性能，然后在人类干预之前的早期阶段主动纠正其错误行为。在真实重力模拟环境中设计了一个典型的任务场景（应急响应），并对145名志愿者进行了人类用户研究。通过改进群体性能和提高信任分数，验证了Trust-R在纠正应急响应中错误行为的有效性。
2021-03-06 cs.RO
Swarm Fabrication: Reconfigurable 3D Printers and Drawing Plotters Made of Swarm Robots
University of Calgary（卡尔加里大学）；The University of Tokyo（东京大学）
我们介绍了群制造，一个新的概念，创造按需，可扩展和可重构的制造机器的群体机器人。我们提出了通过利用toio机器人和3D打印附件来构建制造机器的元素的方法，例如电机，电梯，工作台，进料器和挤出机。通过结合这些元素，我们展示了使用多个toio机器人构建X-Y-Z机器人，可用于绘图仪和3D打印机。我们还展示了将我们的想法扩展到更通用的制造机器的可能性，包括3D打印机，CNC加工，泡沫切割机，线条绘制设备，拾取和放置机器，3D扫描等，通过这一点，我们绘制了一个未来的愿景，其中群机器人可以按需构建可扩展和可重构的制造机器，可以部署在用户希望的任何地方。我们相信这种制造技术将成为未来交互式和高度灵活的制造手段。
2022-02-22 cs.HC cs.RO
ShapeBots: Shape-changing Swarm Robots
University of Colorado Boulder（科罗拉多大学博尔德分校）；The University of Tokyo（东京大学）
我们介绍了形状变化的群体机器人。一群可自我变形的机器人可以单独或集体地改变它们的配置，以显示信息，驱动物体，充当有形的控制器，可视化数据，并提供物理启示。ShapeBots是一个变形群体机器人的概念原型。每个机器人都可以通过利用小型线性致动器来改变其形状，这些致动器在水平和垂直方向上都很薄（2.5厘米）并且高度可扩展（高达20厘米）。每个致动器的模块化设计能够实现各种形状和几何形状的自转换。我们说明了潜在的应用场景，并讨论了这种类型的接口开辟了无处不在的和分布式的变形接口的未来的可能性。
2019-09-08 cs.HC cs.RO
Swarm Body: Embodied Swarm Robots
Georgia Institute of Technology（佐治亚理工学院）；OMRON SINIC X Corporation（欧姆龙SINIC X公司）；Cluster Metaverse Lab（Cluster元宇宙实验室）
本文提出具身集群机器人概念，并以手部为对象，结合VR与真实机器人实验分析形状、密度及部位对应关系对具身感的影响，给出可实现具身的系统配置与设计依据。
2024-03-01 cs.ET cs.HC cs.RO
Learning to Swarm with Knowledge-Based Neural Ordinary Differential Equations
University of Pennsylvania（宾夕法尼亚大学）
提出基于KNODE的框架，仅利用集群轨迹状态观测学习去中心化单机器人控制器，无需动作数据，并在2D与3D蜂拥任务中验证其可复现行为且可扩展规模。
2021-12-06 cs.MA cs.RO
OA-Bug: An Olfactory-Auditory Augmented Bug Algorithm for Swarm Robots in a Denied Environment
Beihang University（北航大学）
本文提出OA-Bug算法，利用嗅觉和听觉信号提升群机器人在被拒绝环境中的搜索性能。
2026-03-05 cs.MA cs.RO
CoLRIO: LiDAR-Ranging-Inertial Centralized State Estimation for Robotic Swarms
School of Systems Science and Engineering, Sun Yat-sen University（中山大学系统科学与工程学院）；Hong Kong University of Science and Technology（香港科技大学）；Hong Kong Polytechnic University（香港理工大学）
本文提出集中式CoLRIO系统，将LiDAR-测距-惯性协作状态估计的计算任务卸载到中央服务器，通过地点识别、全局优化和异常剔除提升多机器人SLAM精度，并支持十台机器人协同执行大规模任务。
2024-02-23 cs.RO
CoCo Games: Graphical Game-Theoretic Swarm Control for Communication-Aware Coverage
Stanford University（斯坦福大学）
我们提出了一个新的框架，实时通信感知覆盖控制网络机器人群。我们的框架统一了机器人动力学与网络级的消息路由，以达成共识的群体形成在通信的不确定性，通过利用本地信息。具体来说，我们制定的通信感知覆盖作为一个合作的图形游戏，并使用变分推理达到混合策略纳什均衡的阶段游戏。我们实验验证所提出的方法在移动自组织无线网络的情况下，使用团队的飞行器和地面用户设备（UE）在一个大的地理区域的利益。我们表明，我们的方法可以提供无线覆盖到固定和移动UE在现实的网络条件下。
2022-04-28 cs.AI cs.RO cs.SY
Assistive Tele-op: Leveraging Transformers to Collect Robotic Task Demonstrations
NVIDIA（英伟达）；Georgia Institute of Technology（佐治亚理工学院）
在机器人和人类操作员之间共享自主权可以促进机器人任务演示的数据汇集，以不断改进学习模型。然而，人类和机器人之间沟通未来意图和原因的方式是不同的。我们提出了辅助远程操作，虚拟现实（VR）系统，用于收集机器人任务演示，显示自主轨迹预测，以传达机器人的意图。当机器人移动时，用户可以在需要时在自主控制和手动控制之间切换。这使得用户能够以高成功率和比手动遥控操作系统更容易的方式收集任务演示。我们的系统是由Transformers供电的，它可以提供一个潜在的状态和行动的窗口到未来-几乎没有增加计算时间。一个关键的见解是，如果用户认为模型预测的动作不合适，则可以在Transformer序列中的任何位置注入人类意图。在每一个时间步，用户可以（1）什么都不做，并允许自主操作继续，同时观察机器人的未来计划序列，或者（2）接管并立即规定一组不同的动作，以将模型推回到轨道上。我们在https://sites.google.com/view/assistive-teleop上提供视频和其他补充材料。
2021-12-09 cs.RO
Object Instance Retrieval in Assistive Robotics: Leveraging Fine-Tuned SimSiam with Multi-View Images Based on 3D Semantic Map
Ritsumeikan University（立命馆大学）；Soka University（早稻田大学）；Kyoto University（京都大学）
针对辅助机器人InstanceImageNav任务中多视角下物体实例难识别的问题，提出SimView方法，结合3D语义地图多视角图像与SimSiam自监督学习现场训练模型，在Habitat Matterport 3D上验证较CLIP准确率提升1.7倍。
2024-09-13 cs.RO
Monocular Vision-Based Swarm Robot Localization Using Equilateral Triangular Formations
School of Integrated Technology, Yonsei University（延世大学整合技术学院）；Korea Institute of Robotics and Technology Convergence（韩国机器人与技术融合研究院）；DOGU, Inc.（DOGU公司）
针对仅配备低成本单目视觉的群体机器人在无基础设施开阔空间的定位需求，提出基于等边三角形编队的定位方法，利用几何特性通过一维横向距离估算二维位置，实验证明其定位误差随行进时间增加显著小于传统航位推算系统。
2025-07-25 cs.RO cs.SY eess.SY
Industry 6.0: New Generation of Industry driven by Generative AI and Swarm of Heterogeneous Robots
Skoltech（斯科尔科沃科技学院）
本文提出工业6.0概念，构建了由生成式AI和配备LLM的异构机器人群驱动的全自动生产系统，可基于自然语言自主完成全生产流程，经实验验证其生产与蓝图绘制效率远超人类，推动全自主制造发展。
2024-09-16 cs.AI cs.RO
Leveraging GCN-based Action Recognition for Teleoperation in Daily Activity Assistance
University of Waterloo（滑铁卢大学）
本文提出一种基于简化时空图卷积网络动作识别和有限状态机的远程操作框架，使操作者无需直接运动同步即可通过预设轨迹控制机器人，用于辅助老年人日常生活活动。
2025-04-09 cs.HC cs.RO
Leveraging Post Hoc Context for Faster Learning in Bandit Settings with Applications in Robot-Assisted Feeding
University of Washington（华盛顿大学）；Indian Institute of Technology Kharagpur（印度理工学院克勒格布尔分校）
自主机器人辅助喂养需要能够获得各种各样的食物。然而，这样的系统不可能在现有的所有类型的食物上进行训练。因此，一个关键的挑战是为以前看不见的食品选择操作策略。以前的工作表明，该问题可以表示为一个线性的强盗视觉上下文。然而，食物具有与操作相关的各种各样的多模态特性，这些特性可能难以在视觉上区分。我们的关键见解是，我们可以利用我们在操纵期间和之后收集的触觉上下文（即，“事后”）来学习其中的一些属性，并更快地使我们的视觉模型适应以前从未见过的食物。在一般情况下，我们提出了一个修改后的线性上下文强盗框架增加事后观察行动选择后，经验性地提高学习速度，减少累积的遗憾。在合成数据上的实验表明，当上下文的维度相对于事后上下文较大时，或者当事后上下文模型特别容易学习时，这种效果更加明显。最后，我们将此框架应用于咬收购问题，并证明收购8个以前看不见的类型的食物，在64次尝试中失败率降低了21%。
2021-03-25 cs.AI cs.LG cs.RO
