Fragile object transportation by a multi-robot system in an unknown environment using a semi-decentralized control approach
TCS Research(塔塔咨询服务公司研究院);Indian Institute of Science(印度科学学院);Jadavpur University(贾达普大学)
本文提出了一种半分散控制技术,用于在不确定的遮挡环境中,将一个易碎物体运送到一个目的地的机器人群。初始部分(阶段1)包括一个集中控制策略,用于在代理之间创建一个特定的编队,以便待运输的物体可以正确地定位在系统的顶部。我们提出了一种新的三角形包装计划融合了圆形区域为基础的形状控制方法,用于创建一个刚性的机器人之间的配置。在后一部分(阶段2),群体系统需要传达的对象到目的地在一个分散的方式采用基于区域的形状控制方法。仿真结果以及比较研究表明,我们提出的方案的有效性。
2022-09-12 cs.RO cs.SY eess.SY
Multi-Robot Coordination with Adversarial Perception
University of Maryland(马里兰大学);Stevens Institute of Technology(史蒂文斯理工学院)
本文针对依赖学习感知模块的安全关键型多机器人应用,研究其在对抗感知攻击下的韧性,提出集成VIO和学习感知模型的分析框架,量化系统性能退化并通过实验验证其在资源受限平台的适用性。
2025-04-12 cs.RO cs.SY eess.SY
Distributed Differentiable Dynamic Game for Multi-robot Coordination
George Mason University(乔治梅森大学);Arizona State University(亚利桑那州立大学)
本文提出分布式可微动态博弈(D3G)框架,通过分布式打靶法Nash求解器和微分庞特里亚金最大值原理求解器,高效解决多机器人协调的正向与逆向问题。
2024-09-23 cs.LG cs.MA cs.RO
Online Submodular Coordination with Bounded Tracking Regret: Theory, Algorithm, and Applications to Multi-Robot Coordination
University of Michigan(密歇根大学)
我们在不可预测的环境中实现高效和有效的协调,即,在其未来的进化是未知的先验,甚至对抗性的环境中。我们的动机是未来的自主性,涉及多个机器人在动态,非结构化和对抗性环境中协调,以完成复杂的任务,如目标跟踪,环境测绘和区域监控。这些任务通常被建模为子模块最大化协调问题。我们介绍了第一个有界跟踪遗憾的子模块协调算法,即,关于先验知道未来的最优时变行动具有有界次优性。边界随着环境的能力而优雅地退化。它还量化了机器人必须重新选择动作以“学习”协调的频率,就好像它们先验地知道未来一样。该算法要求机器人根据序列中先前机器人选择的动作顺序地选择动作。特别是,该算法将Fisher等人的开创性的顺序贪婪算法推广到不可预测的环境中,利用子模块和算法来跟踪最佳专家。我们在目标跟踪的模拟场景中验证了我们的算法。
2023-02-19 cs.AI cs.MA cs.RO
Decentralized Biconnectivity Conditions in Multi-robot Systems
本文提出去中心化方法,通过拉普拉斯矩阵的第三小特征值提供双连通性条件,确保网络在单个机器人失效时仍保持连通。
2016-08-07 cs.MA cs.RO cs.SY
A Formal Modular Synthesis Approach for the Coordination of 3-D Robotic Construction with Multi-robots
Universidade Federal de Santa Catarina(圣卡塔琳娜联邦大学)
本文提出了一种基于监督控制理论的模块化方法,用于协调多机器人自主构建3-D结构。
2025-12-18 cs.FL cs.MA cs.RO
Multi-Robot Coordination and Planning in Uncertain and Adversarial Environments
Virginia Tech(弗吉尼亚理工大学);University of Maryland(马里兰大学)
部署一组能够仔细协调行动的机器人可以使整个系统对个别故障具有鲁棒性。在这份报告中,我们回顾了最近的算法发展,使多机器人系统对环境的不确定性,故障和对抗攻击具有鲁棒性。在多机器人协调领域的最新研究中,我们发现以下三个趋势:(1)弹性协调,以承受故障和/或攻击或从故障/攻击中恢复;(2)风险感知协调,以管理风险和回报的权衡,其中风险源于环境的不确定性;(3)基于图神经网络的协调,以学习分散的多机器人协调策略。这些算法已被应用于任务,如编队控制,任务分配和调度,搜索和规划,以及信息数据汇集。为了使多机器人系统成为现实,我们需要协调算法,可以扩展到大型团队的机器人处理动态变化,容易失败,有争议的,和不确定的环境。最近有大量关于多机器人协调的研究,这些研究为处理这些问题提供了弹性和风险意识算法,并缩小了理论与实践之间的差距。基于学习的方法被认为是有希望的,特别是因为它们可以学习谁、何时和如何进行有效协调的沟通。然而,这些算法也被证明容易受到对抗攻击,因此开发基于学习的协调策略,能够抵御此类攻击并对不确定性具有鲁棒性,是一个重要的开放研究领域。
2021-05-02 cs.RO
Multi-Robot Coordination in V2X Environments
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Halmstad University(哈姆斯塔德大学)
本文提出一种V2X通信框架,通过引入机器人中心的服务层服务实现复杂城市交通环境中社交机器人的去中心化协作。
2026-05-07 cs.RO
Decentralized Multi-Robot Encirclement of a 3D Target with Guaranteed Collision Avoidance
A. Franchi CNRS, LAAS, 7 Avenue du Colonel Roche, F-31400 Toulouse, France. Univ de Toulouse, LAAS, F-31400 Toulouse, France P. Stegagno Max Planck Institute for Biological Cybernetics, Spemanstra e 38, 72076 T\"ubingen, Germany G. Oriolo Dipartimento di Ingegneria Informatica, Automatica e Gestionale, Sapienza Universit\`a di Roma, Via Ariosto 25, 00185 Roma, Italy
本文提出多机器人系统在三维空间中环绕移动目标的控制框架,提出三种控制策略变体并验证其有效性,同时讨论了保持安全机器人间距离的扩展方案,通过仿真实验验证了该框架的可行性。
2015-06-19 cs.MA cs.RO cs.SY
Learning Multi-Robot Decentralized Macro-Action-Based Policies via a Centralized Q-Net
Khoury College of Computer Sciences, Northeastern University(东北大学库里计算机科学学院)
在许多现实世界的多机器人任务中,高质量的解决方案通常需要一组机器人在分散控制下执行异步动作。分散式多智能体强化学习方法很难学习分散式策略,因为环境似乎是非平稳的,因为其他代理也在同时学习。在本文中,我们通过提出一种基于宏动作的分散式多智能体双深度递归Q网(MacDec-MADDRQN)来解决这一挑战,该Q网使用集中式Q网进行动作选择来训练每个分散式Q网。还提出了一个具有两个独立训练环境的MacDec-MADDRQN的通用版本,称为MacDec-MADDRQN,以利用集中式或分散式探索。我们的方法的优点和实用性通过在模拟中实现接近集中的结果和使真实机器人以有效的方式完成仓库工具交付任务来证明。
2020-03-03 cs.AI cs.RO
Adaptive Robot Coordination: A Subproblem-based Approach for Hybrid Multi-Robot Motion Planning
Texas A&M University(德克萨斯农工大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究提出新型混合多机器人运动规划框架ARC,通过基于冲突的局部子问题动态调整规划空间的耦合与解耦,实现高效自适应协调,具备概率完备性,可扩展性与协调精度兼具,性能优于现有各类基线方法。
2023-12-13 cs.MA cs.RO
Decentralized Cooperative Multi-Robot Localization with EKF
Southern University of Science and Technology(南方科技大学)
多机器人定位是机器人协同完成复杂任务的关键问题。在本文中,我们提出了一个分散的方法来本地化一组机器人在一个大的无特征的环境。所提出的方法只需要至少有一个机器人保持静止作为一个临时地标在一定的时间内。我们方法的新颖性有三个方面:(1)开发一种分散的方案,每个机器人计算它们自己的状态,并且只存储最新的状态,以减少存储和计算成本,(2)通过扩展的卡尔曼滤波器(EKF)开发一种有效的定位算法,该算法仅使用相对位姿的观测来估计机器人位置,(3)开发一种对地标要求更少,对观测不足更鲁棒的方案。使用五个机器人配备相对姿态测量传感器进行各种模拟和实验,以验证我们的方法的优越性能。
2018-11-19 cs.RO
Spillover Algorithm: A Decentralized Coordination Approach for Multi-Robot Production Planning in Open Shared Factories
IMT Lille Douai(里尔-杜埃国立高等矿业电信学院);Université de Lille(里尔大学);University Rey Juan Carlos(胡安卡洛斯国王大学);Valencian Research Institute for AI(瓦伦西亚人工智能研究院);Universitat Politècnica de València(瓦伦西亚理工大学)
开放和共享的制造工厂通常会处理有限数量的机器人,这些机器人应该在时间和空间上适当地分配给任务,以实现有效和高效的系统性能。特别是,我们处理的动态能力约束的生产计划问题与序列无关的设置成本的产品制造和机器人的位置需要在给定的时间范围内确定在连续的时期内,产品可以预期或backordered相关的需求期。我们考虑这个问题的一个分散的多智能体变体,在一个开放的工厂环境中,机器人的多个所有者以及要生产的物品的不同所有者,都被认为是自利的和个体理性的。现有的解决方案的经典约束批量问题的方法是集中的精确的方法,需要共享的所有参与者的私人和敏感信息的全局知识,并不适用于所描述的多智能体上下文中。因此,我们提出了一个计算效率分散的方法的基础上的溢出效应,解决了这个NP难的问题,在一个本质上分散的多智能体系统环境中的决策,同时保护私人和敏感信息。据我们所知,这是第一个分散的算法,在本质上分散的环境中,生产资源和/或产品由多个利益相关者拥有,可能有冲突的目标,研究的问题的解决方案。为了显示其效率,溢出算法的性能与最先进的商业求解器CPLEX 12.8进行了基准测试。
2021-01-23 cs.AI cs.DM cs.MA
Decentralized Probabilistic Multi-Robot Collision Avoidance Using Buffered Uncertainty-Aware Voronoi Cells
Delft University of Technology(代尔夫特理工大学)
针对多机器人系统,提出了一种分散的、无通信的避碰方法,该方法同时考虑了机器人定位和传感不确定性。该方法依赖于计算的不确定性感知的安全区域,每个机器人之间的其他机器人和静态障碍物的环境中,高斯分布的不确定性的假设下,导航。特别是,在每个时间步,我们构建一个机会约束缓冲不确定性感知Voronoi细胞(B-UAVC)为每个机器人给定一个指定的碰撞概率阈值。通过将每个机器人的运动约束在其相应的B-UAVC内来实现概率碰撞避免,即机器人与障碍物之间的碰撞概率保持在指定阈值以下。该方法具有分散性、无通信、可扩展性和对机器人定位和感知不确定性的鲁棒性。我们将该方法应用于单积分器,双积分器,差分驱动机器人,和一般的非线性动力学的机器人。大量的模拟和实验与地面车辆,四旋翼,和异构机器人团队进行分析和验证所提出的方法。
2022-01-11 cs.RO
Federated Single-Agent Robotics: Multi-Robot Coordination Without Intra-Robot Multi-Agent Fragmentation
School of Software, Harbin Institute of Technology(哈尔滨工业大学软件学院);School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院);School of Mathematical and Computer Sciences, Heriot-Watt University, Malaysia Campus(赫瑞-沃顿大学马来西亚校区数学与计算机科学学院);School of Future Science and Engineering, Soochow University(苏州大学未来科学与工程学院)
本文提出了一种联邦单体机器人(FSAR)架构,通过在单体机器人运行时基础上实现多机器人协调,避免了机器人内部的多代理碎片化,提升了协调效率和恢复能力。
2026-05-21 cs.AI cs.RO
Decentralized Vision-Based Byzantine Agent Detection in Multi-Robot Systems with IOTA Smart Contracts
University of Turku(图尔库大学)
多机器人系统和分布式账本技术(DLT)的交叉点存在多种机会。在这项工作中,我们研究了新的DLT解决方案(如IOTA)的潜力,用于以分散的方式检测多机器人系统中的异常和拜占庭代理。传统的区块链方法不适用于连接条件不理想的真实世界的网络化和分散式机器人系统。为了解决这个问题,我们利用IOTA智能合约在分区容忍和拜占庭容忍协作决策过程中的最新进展。我们展示了我们在基于视觉的异常和变化检测中的工作如何应用于检测在同一环境中运行的多个机器人内的拜占庭代理。我们发现IOTA智能合约增加了低计算开销,同时允许在多机器人系统内建立信任。所提出的方法有效地使拜占庭机器人检测的基础上提交的不同的机器人和异常和它们之间的变化检测的图像的比较。
2022-10-07 cs.RO
SPARCAS: A Decentralized, Truthful Multi-Agent Collision-free Path Finding Mechanism
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
我们提出了一个分散的碰撞避免机制,一组独立控制的机器人在一个共享的工作空间。现有的算法实现多机器人碰撞避免(a)在一个集中的设置,或(b)在一个分散的设置与协作机器人。我们专注于在分散的环境中与竞争机器人的设置,在那里机器人可能会策略性地透露他们的信息以获得优先级。我们提出的机制SPARCAS在这种情况下,使用机制设计的原则,确保真实的机器人的私人信息的启示,并提供本地有效的移动的机器人。它没有碰撞和死锁,并处理机器人的动态到达。在实践中,这种机制很好地扩展了大量的机器人,其中最佳的避免碰撞的路径查找算法(M*)不缩放。然而,SPARCAS并没有过多地损害路径最优性。我们的机制按照机器人的“真正”更高需求的顺序对它们进行优先级排序,但支付更高的费用。它使用货币转移,与机器人收到的价值相比,这是足够小的。
2019-09-18 cs.MA cs.RO
Safe and Socially Aware Multi-Robot Coordination in Multi-Human Social Care Settings
School of Computing and Communications, The Open University(奥本大学计算与通讯学院);School of Electronics and Computer Science, University of Southampton(南安普顿大学电子与计算机科学学院);School of Computer Science, University of Nottingham(诺丁汉大学计算机科学学院)
针对多人类多机器人场景,提出一种基于多目标学习的协调方法,以同时解决路径规划、导航、任务调度、任务分配和人机交互问题,提升安全性与社会意识。
2025-07-03 cs.RO
Decentralized Control of Three-Dimensional Mobile Robotic Sensor Networks
移动机器人传感器网络的分散控制是机器人学中的一个基本问题,近几十年来吸引了大量的研究。大多数现有的作品处理二维空间。这份报告关注的是在三维环境中的移动机器人传感器网络的分散自部署的问题。报告的第一部分研究了三维空间中完整的传感覆盖问题。我们提出了一个分散的随机算法来驱动移动机器人传感器的顶点上的一个截断的八面体网格完整的传感覆盖的有界的3D区域。在第二部分中,我们提出了一个分布式随机搜索算法在有界三维环境。第三,我们研究了由移动机器人传感器网络在有界三维空间中定位静态和移动目标的问题。我们介绍了一种新的分散式生物启发的随机搜索算法,用于在3D区域中找到静态和移动对象。该算法将Levy飞行随机搜索机制与三维覆盖网格相结合。本文研究了移动机器人传感器网络在三维空间中的三维编队构建问题。提出了一种基于分散共识的多机器人系统的控制律,该控制律能使多机器人在三维环境中从任意初始位置形成给定的几何构形。移动机器人传感器的收敛到给定的配置所示的广泛的模拟。此外,数学上严格的证明所提出的算法收敛到给定的配置。
2016-06-01 cs.RO math.OC
Decentralized Ability-Aware Adaptive Control for Multi-robot Collaborative Manipulation
University of Edinburgh(爱丁堡大学);Shenzhen Institute for Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院)
多机器人团队可以完成比单个机器人更灵巧、复杂和更重的有效载荷任务,但需要有效的协作。多机器人协作是极具挑战性的,由于不同的运动学和动力学能力的机器人,它们之间的有限的通信,以及系统参数的不确定性。在本文中,一个分散的能力感知自适应控制提出了解决这些挑战的基础上的两个关键特征。首先,共同的操作任务表示为建议的名义任务椭球,这是用来最大化每个机器人的力能力在线通过优化其配置。其次,分散自适应控制器的设计是李雅普诺夫稳定的异构驱动约束的机器人和不确定的物理参数的对象和环境。在所提出的框架中,分散的协调和负载分配的机器人之间实现没有通信,而只有控制不足的广播,如果任何机器人达到其力的限制。在这种情况下,以分散的方式修改对象参考轨迹以保证稳定的交互。最后,我们进行了几个数值和物理仿真分析和验证所提出的方法与异构多机器人团队的协作操作任务。
2021-02-07 cs.MA cs.RO
RANT: Ant-Inspired Multi-Robot Rainforest Exploration Using Particle Filter Localisation and Virtual Pheromone Coordination
RANT通过粒子滤波定位和虚拟信息素协调,实现多机器人在嘈杂环境中的高效雨林探索,提升热点识别与地图构建效率。
2026-02-10 cs.RO
Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection
University of Cambridge(剑桥大学);University of Pennsylvania(宾夕法尼亚大学);University of Maryland(马里兰大学)
分散式多机器人目标跟踪问题要求联合选择动作,例如,运动基元,用于机器人通过本地通信最大限度地提高目标跟踪性能。实际实现的一个主要挑战是使目标跟踪方法可扩展到大规模的问题实例。在这项工作中,我们提出了一个通用的学习架构,以大规模的协作目标跟踪,分散的通信。特别是,我们的学习架构利用图神经网络(GNN)来捕获机器人的本地交互,并学习机器人的分散决策。我们训练的学习模型,通过模仿专家的解决方案,并实现所产生的模型,分散的行动选择只涉及当地的观察和通信。我们展示了我们的GNN为基础的学习方法的性能在一个场景中的主动目标跟踪与大型网络的机器人。仿真结果表明,我们的方法几乎匹配的专家算法的跟踪性能,但运行几个订单更快,多达100个机器人。此外,它的性能略优于分散式贪心算法,但运行速度更快(特别是超过20个机器人)。结果还展示了我们的方法在以前看不见的情况下的泛化能力,例如,更大的环境和更大的机器人网络
2022-09-14 cs.AI cs.LG cs.MA
Hierarchically Decentralized Heterogeneous Multi-Robot Task Allocation System
University of Cincinnati(辛辛那提大学)
本文提出一种分层去中心化异构多机器人任务分配系统,通过基于拍卖的MRTA和3种拍卖策略实现ISRU任务协调,并在ROS2的pyrobosim仿真中验证其可扩展性与鲁棒性。
2024-05-03 cs.RO
Decentralized Connectivity Maintenance for Multi-robot Systems Under Motion and Sensing Uncertainties
Stanford University(斯坦福大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Indian Institute of Technology Bombay(印度理工学院孟买分校);Massachusetts Institute of Technology(麻省理工学院)
通信连接性对于多机器人系统的安全和有效操作是期望的。虽然在最近的文献中已经探索了用于连接维护的分散算法,但这些工作中的大多数都没有考虑机器人运动和传感不确定性。这些不确定性是实际机器人所固有的,并导致机器人偏离其期望位置,这可能会导致连接丢失。在本文中,我们提出了一个分散的连接维护算法占机器人运动和传感Understanding(DCMU)。首先,我们提出了一种新的加权图定义的多机器人系统,占上述不确定性以及现实的连接约束,如视线连接和碰撞避免。接下来,我们设计了一个分散的基于梯度的控制器的连通性维护,我们推导出计算控制所需的加权图边权重的梯度。最后,我们进行了多次模拟,以验证我们的DCMU算法在机器人运动和传感不确定性下的连接维护性能,并显示出与以前的工作相比的改进。
2022-07-20 cs.MA cs.RO
Lightweight Decentralized Neural Network-Based Strategies for Multi-Robot Patrolling
University of Bristol(布里斯托大学)
本文提出两种轻量级去中心化神经网络多机器人巡逻策略,在降低顶点空闲时间和对抗智能入侵者方面显著优于手工设计策略,并验证了通信故障下的鲁棒性。
2024-12-16 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
Few-Shot Demonstration-Driven Task Coordination and Trajectory Execution for Multi-Robot Systems
Purdue University(普渡大学);Astemo Americas, Inc.(Astemo美洲公司);Indiana University Bloomington(印第安纳大学布卢明顿分校)
研究如何让多机器人系统从少量示范中学习协调行为,核心方法是将时间协调与空间轨迹合成解耦,主要贡献是提出DDACE框架,提高少样本数据效率与轨迹一致性。
2026-07-07 cs.RO
Decentralized LLM-Driven Coordination of Acoustic Robots for Contactless Object Manipulation
Department of Computer Science, University College London(计算机科学系,伦敦大学学院);Department of Artificial Intelligence, University of Malaya(人工智能系,马来大学)
提出一种去中心化框架,利用Whisper语音识别和LLM语义解析将自然语言指令转换为多机器人任务计划,实现声学机器人的非接触式物体操控,实验验证了顺序、并行和同步协作任务的有效性。
2026-05-28 cs.RO
CRAFT: Coaching Reinforcement Learning Autonomously using Foundation Models for Multi-Robot Coordination Tasks
Department of Mechanical Engineering, University of California Berkeley(机械工程系,加州大学伯克利分校)
提出CRAFT框架,利用大语言模型分解任务、生成奖励函数,并通过视觉语言模型优化,实现多机器人协调学习,在四足导航和双臂操作任务中验证有效性。
2026-06-05 cs.RO
Communication-Aware Heterogeneous Graph Learning for Decentralized Multi-Human Multi-Robot Task Allocation
提出CommHG框架,通过通感异构图和协作多智能体强化学习联合优化去中心化多人类多机器人任务分配与通信,实验显示在多达16机器人、6人类、112任务规模下优于最强基线。
2026-09-29 cs.RO
Stein Variational Belief Propagation for Multi-Robot Coordination
University of Michigan(密歇根大学);NVIDIA Corporation(英伟达公司);University of Sydney(悉尼大学)
针对多机器人分布式协作的高维规划难题,提出Stein变分置信传播算法,通过图模型推理实现协作,在感知与规划任务中性能优于基线方法,且死锁概率更低。
2024-03-12 cs.RO
Towards Decentralized Human-Swarm Interaction by Means of Sequential Hand Gesture Recognition
Arizona State University(亚利桑那州立大学);BASIS(贝赛思)
在这项工作中,我们提出了一种新的方法的初步工作,人群交互(HSI),可用于改变一群机器人的宏观行为与分散的传感和控制。通过集成一个小而有能力的手势识别卷积神经网络(CNN)与下一代机器人操作系统\emph{ros2},它使分散的实现多机器人应用程序的机器人软件,我们证明了编程一群机器人识别和响应一系列的手势,能够对应于不同类型的群体行为的可行性。我们测试我们的方法使用一系列的手势,修改目标机器人之间的距离在一组三个Turtlebot3汉堡机器人,以防止机器人碰撞障碍物。该方法在三个不同的露台模拟环境和物理试验台,再现的模拟环境之一进行了验证。
2021-02-04 cs.MA cs.RO
On Randomized Searching for Multi-robot Coordination
Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague(捷克布拉格捷克技术大学信息学、机器人学与控制论研究所);Czech Technical University in Prague(布拉格捷克技术大学)
在这一章中,我们提出了一种新的方法来解决协调的移动机器人,其中包括找到一组无碰撞的轨迹在车队中的单个机器人的舰队。这个问题已经被研究了几十年,并且已经引入了许多方法。然而,只有一小部分是适用于在实践中,因为他们的属性-小的计算需求,产生的解决方案接近最优,和完整性。我们提出的方法是基于多机器人的快速探索随机树算法(RRT)的离散环境的变种,并显着提高其性能。虽然该方法生成的解决方案比[23]中提出的最佳最新算法之一稍差,但它解决了ter Morses算法失败的问题。
2020-07-20 cs.RO
DuoMind: Enabling Distributed Multi-Robot Coordination with Semantic Communication
University of California, Davis(加州大学戴维斯分校);Microsoft Research(微软研究院);Analog Devices(亚德诺半导体)
提出DuoMind分布式分层框架,通过VLM编排器与VLA动作模型结合语义通信实现多机器人长期任务协调,并构建RoboPoly基准验证性能提升。
2026-10-02 cs.AI cs.RO
Adaptive Visual Perception for Robotic Construction Process: A Multi-Robot Coordination Framework
Texas A&M University(德克萨斯农工大学)
本研究提出一种多机器人协调框架,通过监督机器人自适应调整姿态优化视觉覆盖,以解决施工中视野遮挡问题,并验证了视点选择方法的有效性与鲁棒性。
2024-12-15 cs.RO
Decentralized Learning With Limited Communications for Multi-robot Coverage of Unknown Spatial Fields
Princeton University(普林斯顿大学)
本文提出了一种算法,一组移动机器人同时学习一个域上的空间场,并在空间上分布自己,以最佳地覆盖它。借鉴以往的方法,估计空间场通过一个集中的高斯过程,这项工作利用了覆盖问题的空间结构,并提出了一种分散的策略,通过建立跨越边界的通信,在本地聚集样本一个Voronoi分区。我们提出了一种算法,每个机器人运行一个本地高斯过程计算从自己的测量和提供的Voronoi邻居,这是纳入个别机器人的高斯过程,只有当他们提供足够新颖的信息。该算法的性能进行了评估,在模拟和集中式的方法相比。
2022-08-03 cs.MA cs.RO
Decentralized Dynamic Task Allocation in Swarm Robotic Systems for Disaster Response
University at Buffalo(布法罗大学)
多个机器人系统一起工作,可以为不同的现实世界应用提供重要的解决方案(例如,灾害应对),其中任务分配问题尤为突出。很少有现有的分散式多机器人任务分配(MRTA)方法同时提供以下功能:考虑任务的最后期限,考虑机器人的范围和任务完成能力的限制,并允许在动态任务空间下的异步决策。为了提供这些功能,本文提出了一种计算效率高的算法,涉及新的建设和匹配的二分图。它的性能进行了测试的多无人机洪水响应应用程序。
2020-07-25 cs.AI cs.MA cs.RO
Decentralized Task and Path Planning for Multi-Robot Systems
Caltech(加州理工学院)
我们考虑一个多机器人系统与一个团队的协作机器人和多个任务,随着时间的推移出现。我们提出了一个完全分散的任务和路径规划(DTPP)的框架组成的任务分配模块和本地化的路径规划模块。每个任务被建模为马尔可夫决策过程(MDP)或混合观察马尔可夫决策过程(MOMDP),这取决于是否完整的状态或部分状态是可观察的。任务分配模块的目标是最大化机器人团队的预期纯回报(回报减去成本)。我们将马尔可夫模型融合到一个因子图公式中,以便使用最大和算法分散解决任务分配问题。每个机器人代理遵循最优的策略合成的马尔可夫模型,我们提出了一个本地化的前向动态规划计划,解决代理之间的冲突,避免碰撞。所提出的框架与高保真ROS模拟和实验与多个地面机器人。
2020-11-19 cs.MA cs.RO
Decentralized Multi-Robot Exploration with Probabilistic Peer Intent and Multi-hop Plan Propagation
Indian Institute of Technology Bombay(印度理工学院孟买分校)
本研究提出概率性同伴意图(PPI)与多跳计划传播,改进去中心化多机器人探索中的协调,实验验证了其在模拟和真实环境中的有效性。
2026-09-22 cs.MA cs.RO
From Real-Time Planning to Reliable Execution:Scalable Coordination for Heterogeneous Multi-Robot Fleets in Industrial Environments
提出SCALE反应式在线协调框架,通过运动诱导冲突减少机制和广义共轭动作-优先超图,实现异构多机器人车队的实时路径规划与鲁棒执行,经仓库部署验证有效性。
2026-07-07 cs.MA cs.RO
3D Multi-Robot Patrolling with a Two-Level Coordination Strategy
Sapienza University of Rome(罗马第一大学);ETH Zurich(苏黎世联邦理工学院)
在恶劣而复杂的3D环境中巡逻的UGV团队可能会遇到相互干扰和空间冲突。忽视这些事件的发生会严重妨碍巡逻进程的健全性和可靠性。本文提出了一种分布式多机器人巡逻技术,该技术采用两级协调策略来最大限度地减少和明确管理冲突和干扰的发生。第一级指导代理在拓扑图上挑出独占目标节点。该目标选择依赖于共享空闲表示和防止拓扑冲突的协调机制。第二级托管基于空间的度量表示的协调策略,并且由3D SLAM系统支持。在这里,每个机器人路径规划器通过应用多机器人可通行性函数来协商空间冲突。这两个层面之间的持续互动确保了协调和冲突的解决。仿真和真实世界的实验,以验证所提出的巡逻策略在3D环境中的性能。结果表明,这是一个很有前途的解决方案,管理空间冲突,防止死锁。
2019-06-23 cs.AI cs.MA cs.RO
Voluntary Retreat for Decentralized Interference Reduction in Robot Swarms
Georgia Institute of Technology(佐治亚理工学院)
在密集的机器人群中,空间干扰--表现为对物理空间的竞争--迫使机器人花更多的时间在彼此之间导航,而不是执行主要任务。本文提出了一种分散式算法,使个体机器人能够决定是否留在该区域并为整体任务做出贡献,或者腾出该区域,以减少干扰对群体整体效率的负面影响。我们开发这种算法的背景下,分布式收集任务,其中一组机器人收集和存放对象从一组位置到另一个在给定的区域。机器人不进行交流,只使用关于周围其他机器人存在的二进制信息来决定留下或撤退。我们说明了一个团队的真实机器人的实验算法的有效性。
2019-03-10 cs.MA cs.RO
Graph Neural Network-based Multi-agent Reinforcement Learning for Resilient Distributed Coordination of Multi-Robot Systems
Northwestern University(西北大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所)
提出基于 GNN 的 MARL 方法 MAGEC,结合多智能体 PPO,使多机器人系统在减员、部分可观测和通信异常下仍能围绕全局目标进行分布式协调。
2024-03-19 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
K-ARC: Adaptive Robot Coordination for Multi-Robot Kinodynamic Planning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Siebel School of Computing and Data Science(西贝尔计算与数据科学学院);Texas A&M University(德克萨斯农工大学);Instituto Tecnológico Autónomo de México (ITAM)(墨西哥自治技术学院)
本文提出 K-ARC 算法,通过分段交替使用优化与采样方法并继承 ARC 的按需协调机制,实现最多 32 个移动机器人的高效动力学规划,相比以往方法加速最高达一个数量级。
2025-01-02 cs.MA cs.RO
DC-MRTA: Decentralized Multi-Robot Task Allocation and Navigation in Complex Environments
University of Maryland, College Park(马里兰大学帕克分校)
提出了一种新的基于强化学习(RL)的仓库环境中移动机器人任务分配和分散导航算法。我们的方法是专为多个机器人被用来执行各种拾取和交付任务的场景。研究了分布式任务分配和导航问题,提出了一种两层的求解方法,在高层,通过马尔可夫决策过程来求解任务分配问题,并选择合适的奖励以最小化总行程延迟(TTD).在较低级别,我们使用基于ORCA的分散导航方案,使每个机器人能够以独立的方式执行这些任务,并避免与其他机器人和动态障碍物发生碰撞。我们通过将较高级别的奖励定义为来自较低级别导航算法的反馈来组合这些较低级别和较高级别。我们进行了广泛的评估,在复杂的仓库布局与大量的代理,并强调了国家的最先进的算法的基础上近视皮卡距离最小化和遗憾为基础的任务选择的好处。我们观察到机器人的任务完成时间提高了14%,计算无碰撞轨迹提高了40%。
2022-09-07 cs.LG cs.MA cs.RO
Decentralized Connectivity-Preserving Deployment of Large-Scale Robot Swarms
Worcester Polytechnic Institute(伍斯特理工学院);École Polytechnique Montréal(蒙特利尔工程学院)
我们提出了一个分散的和可扩展的方法部署的机器人群。我们的方法解决的情况下,群体必须达到多个空间分布的目标,并强制执行的约束,机器人网络不能分裂。我们工作背后的基本思想是在机器人形成的物理网络上构建一个逻辑树拓扑。逻辑树充当机器人用来强制连接约束的主干。本文研究并比较了两种构造逻辑树的算法:向外构造和向内构造。这些算法的不同之处在于机器人加入树的顺序:向外算法从树根开始并向目标生长,而向内算法以相反的方式进行。这两种算法都执行周期性的重新配置,以防止次优拓扑停止树的生长。我们的贡献是:(一)两种算法的制定;(二)在广泛的基于物理的模拟算法的比较;(三)通过真实的机器人实验验证我们的研究结果。
2018-06-01 cs.MA cs.RO
SDHN: Skewness-Driven Hypergraph Networks for Enhanced Localized Multi-Robot Coordination
School of Automation, Northwestern Polytechnical University, Xi'an, 710072, China(西北工业大学自动化学院);School of Automation, Southeast University, Nanjing, 210096, China(东南大学自动化学院)
针对多机器人协同中现有图表示难捕捉高阶协作、超图方法结构随意且环境适应性不足的问题,提出采用随机伯努利超边、引入偏度损失构建小超边主导结构的SDHN,在两项任务上性能优于现有最优基线。
2025-07-31 cs.MA cs.RO
Towards Optimally Decentralized Multi-Robot Collision Avoidance via Deep Reinforcement Learning
Dorabot Inc.(达闼机器人有限公司);Fuzhou University(福州大学);City University of Hong Kong(香港城市大学)
在分散式场景中,每个机器人生成其路径而不观察其他机器人的状态和意图,为多个机器人开发安全有效的避碰策略具有挑战性。虽然存在其他分布式多机器人碰撞避免系统,但它们通常需要提取代理级特征来规划本地无碰撞动作,这可能在计算上是禁止的并且不鲁棒。更重要的是,在实践中,这些方法的性能远远低于其集中式的同行。我们提出了一个分散的传感器级碰撞避免多机器人系统,直接映射到代理的运动速度方面的转向命令的原始传感器测量政策。作为减少分散式和集中式方法之间的性能差距的第一步,我们提出了一个多场景多阶段的训练框架,以找到一个最佳的政策,这是训练了大量的机器人在丰富的,复杂的环境,同时使用基于策略梯度的强化学习算法。我们验证了学习的传感器级碰撞避免策略在各种模拟场景中进行彻底的性能评估,并表明最终的学习策略是能够找到时间效率高,无碰撞路径的大型机器人系统。我们还证明了学习的策略可以很好地推广到整个训练期间没有出现的新场景,包括导航一组异构机器人和一个有100个机器人的大规模场景。视频可在https://sites.google.com/view/drlmaca上获得
2018-05-20 cs.AI cs.LG cs.MA
Fault-Tolerant Multi-Robot Coordination with Limited Sensing within Confined Environments
本文提出基于物理接触的容错方法,通过机器人间的社会互动提升多机器人系统在受限空间中的协同性能,实验表明该方法能有效提升系统对故障的恢复能力。
2025-05-21 cs.AI cs.MA cs.RO
SPACE: A Python-based Simulator for Evaluating Decentralized Multi-Robot Task Allocation Algorithms
Korea Aerospace University(韩国航空航天大学)
本文提出基于 Python 的 SPACE 仿真器,以插件、行为树 GUI、通信与局部任务感知支持去中心化 MRTA 算法评估,并通过 CBBA 与 GRAPE 的动态任务实验验证其效用。
2024-09-06 cs.AI cs.MA cs.RO
Graph Neural Networks for Decentralized Multi-Robot Path Planning
University of Cambridge(剑桥大学);University of Pennsylvania(宾夕法尼亚大学)
有效的通信是成功的,分散的,多机器人路径规划的关键。然而,目前还不清楚哪些信息对手头的任务至关重要,以及如何以及何时必须在机器人之间共享。为了避开这些问题并超越手工制作的机器人,我们提出了一个组合模型,该模型可以自动合成本地通信和决策策略,用于机器人在受约束的机器人中导航。我们的架构由一个卷积神经网络(CNN)和一个图神经网络(GNN)组成,前者从局部观察中提取足够的特征,后者在机器人之间传递这些特征。我们训练模型来模仿专家算法,并使用所得到的模型在线分散规划只涉及本地通信和本地观测。我们在模拟中评估我们的方法{通过在2D中将机器人团队导航到他们的目的地}混乱的机器人。我们衡量成功率和计划路径的成本总和。结果表明,我们的专家算法的性能接近,证明了我们的方法的有效性。特别是,我们展示了我们的模型推广到以前看不见的情况(涉及更大的环境和更大的机器人团队)的能力。
2020-07-14 cs.AI cs.LG cs.MA
Noncooperative Coordination for Decentralized Air Traffic Management
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文通过设计激励和信号重塑个体最优性,提出了一种非合作协调的统一视角,并在可扩展均衡工程、分散机制设计和结构化非合作动力学三个方向推进了该框架。
2026-05-23 cs.SY eess.SY
Decentralized Vehicle Coordination and Lane Switching without Switching of Controllers
本文提出一种基于高阶控制屏障函数和Lyapunov函数的分散式控制器,通过协调函数实现无需控制器切换的安全变道与碰撞避免。
2023-05-08 cs.SY eess.SY