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 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
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
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
Bayesian Decentralized Decision-making for Multi-Robot Systems: Sample-efficient Estimation of Event Rates
University of Konstanz(康斯坦茨大学)
本文提出了一种基于贝叶斯的去中心化框架,使多机器人系统在样本效率下有效估计危险事件率,提升安全性和收敛速度。
2025-11-27 cs.MA cs.RO
NeuroMesh: A Unified Neural Inference Framework for Decentralized Multi-Robot Collaboration
New York University(纽约大学);U.S. Army Combat Capabilities Development Command, Army Research Laboratory(美国陆军作战能力发展司令部,陆军研究实验室);Vanderbilt University(范德比尔特大学);University of California Berkeley, Department of Electrical Engineering and Computer Sciences(加州大学伯克利分校,电气工程与计算机科学系)
本文提出NeuroMesh框架,通过统一的管道标准化观察编码、消息传递、聚合和任务解码,解决异构机器人部署多机器人模型的挑战,支持混合GPU/CPU推理并在不同任务结构中展示鲁棒性。
2026-04-16 cs.MA cs.RO
Byzantine Resilience at Swarm Scale: A Decentralized Blocklist Protocol from Inter-robot Accusations
Boston University(波士顿大学);Northeastern University(东北大学)
W-MSR(Weighted-Mean Subsequence Reduced)算法是分散多机器人系统拜占庭弹性设计的一种最新方法,该算法基于线性一致协议(Linear Consensus Protocol,LCP)中的离群值丢弃。虽然W-MSR提供了很好理解的理论保证,将强大的网络连接与底层共识的收敛联系起来,但该方法存在一些限制,无法大规模使用:(1)要容忍的拜占庭机器人的数量F应该是先验已知的,(2)每个机器人维护2F+1个邻居的要求对于大F是不切实际的,(3)信息传播受到F+1机器人独立地对共识属性进行局部测量以改变群决策的要求的阻碍,以及(4)W-MSR是特定于LCP的,并且不能推广到不在LCP上实现的应用。在这项工作中,我们提出了一个分散的块列表协议(DBP)的基础上,机器人之间的指控。指控是基于对不当行为的本地观察而做出的,一旦被整个网络中的合作机器人共享,就被用作计算阻止列表的图匹配算法的输入。DBP推广到不通过LCP实现的应用程序,是自适应的拜占庭机器人的数量,并允许通过多机器人系统的快速信息传播,同时减少所需的网络连接相对于W-MSR。在LCP类型的应用中,DBP减少了W-MSR的最坏情况下的连接要求从(2F+1)-连接到(F+1)-连接和传播新信息所需的合作观察者的数量从F+1到只有1个观察者。我们的经验表明,我们的方法拜占庭弹性规模数百机器人的合作目标跟踪,…
2023-01-17 cs.MA cs.RO
Online Decentralized Receding Horizon Trajectory Optimization for Multi-Robot systems
SRM Institute of Science and Technology(SRM科技学院)
提出了一种新的多智能体系统分散轨迹生成算法。多机器人系统有能力在各个领域改变生活。但是,多机器人系统的轨迹生成仍然处于其新生阶段,并限于严格控制的环境。为了克服这一问题,提出了一种在线轨迹优化算法,该算法在给定初始状态和期望末端位姿的情况下,为机器人生成无碰撞轨迹。它采用了一种简单的方法进行障碍物检测,局部形状为基础的地图的障碍物和机器人的当前状态的通信。使用本地地图,制定安全区域。基于所传送的数据,预测其他机器人的轨迹,并通过确定机器人可以在其中而不碰撞的自由空间的区域来合并以避免碰撞。然后优化轨迹,约束机器人保持在安全区域内,轨迹由时间参数化的分段多项式表示。该算法采用滚动时域原理实现。所提出的算法进行了广泛的测试,在模拟的露台上使用ROS与四阶差分平面空中机器人和非完整的二阶轮式机器人在结构化和非结构化的环境。
2018-12-28 cs.MA cs.RO
Graph-based Decentralized Task Allocation for Multi-Robot Target Localization
Department of Computer Science, Purdue University, USA(计算机科学系,普渡大学)
本研究针对异构多机器人系统的目标定位任务,提出基于图注意力的分布式任务分配模型GATR及异构感知预处理技术,可适配2-12台机器人的动态场景,性能优于基准方法。
2025-09-05 cs.MA cs.RO
Semantic-level Decentralized Multi-Robot Decision-Making using Probabilistic Macro-Observations
MIT(麻省理工学院);Northeastern University(东北大学);Thomas J. Watson Research Center(托马斯·J·沃森研究中心);Boeing Research & Technology(波音研究与技术有限公司)
鲁棒的环境感知对于机器人在复杂领域中的决策至关重要。智能任务执行需要在机器人的观察模型中对不确定性源进行原则性处理。这不仅对低水平的观察很重要(例如,加速度计数据),而且还用于高级观察,例如语义对象标签。本文形式化了分散部分可观测半马尔可夫决策过程(Dec-POSMDP)中宏观观测的概念,允许可扩展的语义级多机器人决策。一个分层贝叶斯方法是用来模拟低级别的分类器输出的噪声统计,同时允许类之间共享域噪声特性。所提出的宏观观察计划,称为分层贝叶斯噪声推理(HBNI)的分类精度,超过现有的方法。然后将宏观观测方案集成到Dec-POSMDP规划器中,在具有挑战性的噪声不可知滤波失败的领域中,在一组动态四旋翼上运行硬件实验。据我们所知,这是第一次展示基于卷积神经网络的实时分类框架,该框架在多机器人决策领域的四旋翼团队上完全运行。
2017-03-16 cs.MA cs.RO
Decentralized Multi-Floor Exploration by a Swarm of Miniature Robots Teaming with Wall-Climbing Units
Singapore University of Technology and Design(新加坡科技设计大学)
在本文中,我们考虑的问题,集体探索未知的动态环境与分散异构多机器人系统组成的两个变种的微型机器人的多个单元。第一种变体-轮式地面单元-是一群地面测绘机器人的核心,表现出可扩展性,鲁棒性和灵活性。在没有任何支持基础设施的情况下,这些属性在非结构化和动态环境中进行了系统的测试和定量评估。重复实验组的结果显示所有三个特征的一致性能,以及在系统运行时将单元注入系统的可能性。第二种变体的几个单元基于wheg的爬壁单元通过扩展平台间协调行为所需的分布式通信信道来支持地图机器人群同时探索多个楼层。虽然所获得的占用网格地图可能很大,但它们是完全分布的。没有一个机器人单元拥有的整体地图,这是不需要我们的合作路径规划策略。
2019-08-16 cs.MA cs.RO
Conservative Filtering for Heterogeneous Decentralized Data Fusion in Dynamic Robotic Systems
University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出了一种用于贝叶斯多机器人对等数据融合的方法,其中任何一对自主机器人都具有全局联合概率分布的不相同但重叠的部分,表示真实世界的推理任务(例如,映射、跟踪)。结果表明,在动态随机系统中,过滤,这对应于过去的变量的边缘化,导致直接和隐藏的变量之间的依赖关系不相互监测的机器人,这可能会导致一个过度自信的融合估计。本文通过提供(i)严格分析的起源的依赖关系和(ii)一个保守的过滤算法,异构数据融合的动态系统,可以集成到现有的融合算法的理论和实践的贡献。这项工作使用因子图作为分析工具和推理机。网络中的每个机器人都维护一个局部因子图,并仅将其相关部分(子图)与相邻机器人进行通信。我们讨论了各种多机器人机器人应用的适用性,并使用多机器人多目标跟踪仿真演示了性能,表明所提出的算法在每个机器人产生保守的估计。
2022-03-14 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
Scalable Accelerated Decentralized Multi-Robot Policy Search in Continuous Observation Spaces
MIT(麻省理工学院);Northeastern University(东北大学);IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心);Boeing Research & Technology(波音研究与科技部)
本文首次提出了求解\emph{continuous-observation}分散部分可观测马尔可夫决策过程(Dec-POMDP)及其半马尔可夫对应过程Dec-POSMDP的方法。这一贡献在机器人技术中尤其重要,因为大量传感器提供连续的观测数据。采用基于随机核的有限状态自动机(SK-FSA),介绍了一种连续观察策略表示。介绍了一种名为“基于熵的策略搜索使用连续核观测(EPSCKO)”的SK-FSA搜索算法,并将其应用于有史以来第一个连续观测Dec-POMDP/Dec-POSMDP域,在该域中,它的性能显着优于最先进的离散方法。这种方法同样适用于Dec-POMDPs和Dec-POSMDP,尽管由于Dec-POSMDP具有更高的可扩展性,因此实证分析主要集中在Dec-POSMDP上。为了提高收敛性,连续和离散观测情况下的熵注入策略搜索加速方法也被开发和证明,以提高收敛速度,而不会降低政策质量。
2017-03-16 cs.MA 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
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 Informative Path Planning with Exploration-Exploitation Balance for Swarm Robotic Search
University at Buffalo(布法罗大学)
群机器人搜索涉及在未知环境中搜索目标(例如,用于搜索和救援或危险定位),使用大量协作的简单移动机器人。在这样的应用中,分散的群系统被吹捧为他们的任务/覆盖范围的可扩展性,时间效率,和容错。为了指导这种群体系统的行为,有两大类方法可用,即自然启发的群体算法和多机器人搜索方法。然而,同时提供计算高效的可扩展性和对所展示的行为的基本见解(而不是黑盒行为模型),在这两类方法中的任一种下仍然具有挑战性。在本文中,我们开发了一个重要的扩展批量贝叶斯搜索方法的应用程序,体现群体系统,在物理二维空间搜索。主要贡献在于:1)设计一个采集功能,不仅平衡整个群体的探索和利用,而且还允许对轨迹上的知识提取进行建模; 2)开发其分布式实现,以允许群机器人进行异步任务推理和路径规划。由此产生的集体信息路径规划方法进行测试的目标搜索的情况下,研究不同的复杂性,目标产生的空间变化(可测量)的信号。显着优越的性能,在任务完成效率方面,观察到相比,穷举搜索和随机游走基线,以及良好的性能可扩展性,随着群体规模的增加。
2019-05-31 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
Decentralized Multi-Robot Relative Navigation in Unknown, Structurally Constrained Environments under Limited Communication
School of Automation, Beijing Institute of Technology(自动化学院,北京理工大学)
针对未知受限环境下通信受限的多机器人导航,提出去中心化分层相对导航框架,通过拓扑地图交换实现全局感知,结合采样逃逸点策略解决局部冲突,显著提升成功率与效率。
2025-10-10 cs.MA cs.RO
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
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
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
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
GNN-based Decentralized Perception in Multirobot Systems for Predicting Worker Actions
Ecole de technologie supérieure(高等技术学院);Polytechnique Montréal(蒙特利尔理工学院)
本文提出基于 GNN 的去中心化多机器人感知框架,通过共享空间图、融合时序信息和群体共识决策预测工人动作,提升了预测准确率与系统可靠性。
2025-01-08 cs.AI cs.MA cs.RO
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
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
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
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
Informative Path Planning with Local Penalization for Decentralized and Asynchronous Swarm Robotic Search
University at Buffalo(布法罗大学)
分散式群机器人解决方案,以寻找目标,发射一个空间变化的信号承诺任务并行性,时间效率和容错。然而,群体算法在提供可扩展性和效率的同时,保持对所展示行为的数学见解是具有挑战性的。一种新的分散式搜索方法(称为贝叶斯群),建立在批量贝叶斯优化(BO)的原则,在这里提出,以解决这些挑战。与群算法不同,贝叶斯群算法简化了知识生成和任务规划过程,从而保留了对紧急行为的洞察。主要贡献在于:1)对轨迹上的知识提取进行建模,与BO中不同; 2)时间自适应地平衡探索/利用,并使用有效的局部惩罚方法来考虑不同机器人的计划样本之间的潜在交互;以及3)呈现算法的异步实现。该算法进行了测试的案例研究与双峰和高度多峰信号分布。与穷举搜索基线相比,效率提高了76倍。利用/探索平衡,异步规划,和本地惩罚,以及群大小的可扩展性的好处,也被证明。
2019-07-09 cs.AI cs.MA cs.RO
Decentralized Multi-Robot Formation Control Using Reinforcement Learning
University of Zagreb, Faculty of Electrical Engineering and Computing(萨格勒布大学电气工程与计算学院)
针对小型 Sphero 机器人群体,提出基于 DDQN 的去中心化领航者-跟随者编队控制,通过分别训练达成与维持编队的两个模型,在仿真和真实实验中实现稳定编队。
2023-06-26 cs.AI cs.MA 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
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
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
CoCoL: A Communication Efficient Decentralized Collaborative Method for Multi-Robot Systems
College of Control Science and Engineering, Zhejiang University(控制科学与工程学院,浙江大学);Division of Decision and Control Systems, KTH Royal Institute of Technology(决策与控制系统系,皇家理工学院)
本文提出 CoCoL,一种基于镜像下降和梯度跟踪的通信高效去中心化多机器人协作学习方法,在非独立同分布、流数据和时变拓扑场景下显著降低通信开销并保持领先精度。
2025-08-28 cs.LG cs.MA cs.RO
Decentralized Task Allocation in Multi-Robot Systems via Bipartite Graph Matching Augmented with Fuzzy Clustering
University at Buffalo(布法罗大学)
机器人系统作为一个团队一起工作,正在成为从灾难响应到仓库履行服务等不同现实世界应用中的重要参与者。用于协调多机器人团队的集中式解决方案通常存在可扩展性差和通信中断的脆弱性。本文提出了一种分散式多智能体任务分配(Dec-MATA)算法的多机器人应用。任务规划问题是作为一个最大加权匹配的二分图,使用开花算法的解决方案,使每个机器人自主识别的最佳序列的任务,它应该承担。基于软聚类过程确定图的权重,软聚类过程也起到了问题分解的作用,以降低个体Agent任务分配问题的复杂性。为了评估新的Dec-MATA算法,进行了一系列的案例研究(不同的复杂性),任务随机分布在一个可观察的2D环境。一个集中的方法,一个国家的最先进的MILP制定的多旅行商问题的基础上进行比较分析。在集中式算法获得的最优成本的7-28%范围内,Dec-MATA算法被发现比集中式算法快1-3个数量级,并且对任务与机器人比率的敏感性最低。
2018-07-20 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
Decentralized Navigation of a Cable-Towed Load using Quadrupedal Robot Team via MARL
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Department of Mechanical Engineering, University of California, Berkeley(加州大学伯克利分校机械工程系)
针对四足机器人团队缆索牵引负载时的混合物理交互与规模扩展难题,提出基于CTDE框架和定制训练课程的分布式MARL规划器,实现可变规模机器人的高效协同导航,兼具鲁棒性与适应性。
2025-03-23 cs.RO
Decentralized Multi-Robot Obstacle Detection and Tracking in a Maritime Scenario
本文提出了一种分布式多机器人框架,利用无人机与自主水面舰艇协作,通过YOLOv8检测器和扩展卡尔曼滤波实现漂浮集装箱的障碍物检测与跟踪,提升了身份连续性和定位精度。
2026-02-28 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
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
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
LLM-Flock: LLM-Driven Decentralized Multi-Robot Flocking via Influence-Based Consensus with Collision Avoidance
Drexel University(德雷塞尔大学)
本文提出LLM-Flock框架,将各机器人本地LLM生成的计划与基于邻域影响的去中心化共识迭代结合,解决多机器人集群中LLM决策不稳定、不一致问题,并在仿真和Crazyflie无人机上验证其稳定性、收敛性与适应性。
2026-10-20 cs.RO
A Decentralized Mobile Computing Network for Multi-Robot Systems Operations
Singapore University of Technology and Design(新加坡科技设计大学)
集体动物行为是完全去中心化操作的典型例子,涉及复杂的集体计算,如鸟群的集体转向或蚂蚁的集体收获。这些系统为开发能够在动态环境中运行的容错和自我修复的多机器人系统提供了独特的灵感来源。具体来说,群体机器人技术出现了,并在这些前提下显着增长。然而,迄今为止,大多数群体机器人系统在文献中报道涉及基本的计算任务-平均值和其他代数运算。在本文中,我们介绍了一种新的集体计算框架的基础上的群集范式,它表现出的关键固有特征群:鲁棒性,可扩展性和灵活性。与边缘计算不同,集体计算框架是真正去中心化的,不需要用户干预或额外的服务器来维持其运行。该集体计算框架应用于集体地图绘制的复杂任务,其中多个机器人旨在协作绘制大区域的地图。我们的研究结果证实了合作策略的有效性,其鲁棒性的多个单位的损失,以及其可扩展性。此外,互连网络的拓扑结构被发现极大地影响集体行动的性能。
2018-10-13 cs.RO
Learning Decentralized Controllers for Robot Swarms with Graph Neural Networks
University of Pennsylvania(宾夕法尼亚大学)
我们考虑的问题,发现分布式控制器的大型网络的移动机器人与互动的动态和稀疏可用的通信。我们的方法是学习本地控制器,只需要本地的信息和通信在测试时,通过模仿集中式控制器在训练时使用全局信息的政策。通过扩展聚合图神经网络随时间变化的信号和随时间变化的网络支持,我们学习一个单一的共同的本地控制器,利用信息从遥远的队友只使用本地通信交换。我们将这种方法应用于群集问题,以展示随着机器人移动而变化的通信图上的性能。我们研究如何减少通信半径和更快的速度增加多跳信息的价值。
2021-03-24 cs.RO
RLSS: Real-time, Decentralized, Cooperative, Networkless Multi-Robot Trajectory Planning using Linear Spatial Separations
University of Southern California(南加州大学);Technical University of Berlin(柏林工业大学);Brown University(布朗大学)
提出RLSS,一种无通信要求的实时去中心化多机器人轨迹规划算法,通过生成并求解凸二次优化问题实现避碰与防死锁,在类森林和类迷宫环境中显著优于现有方法。
2023-04-01 cs.RO
D-VLC: Decentralized Vision-Language Collaboration for Heterogeneous Embodied Multi-Robot Systems in Unknown Environments
本文提出D-VLC框架,结合去中心化异步推理等技术,让通用VLM生成机器人特定动作,多场景实验显示其任务成功率超70%,完成时间较几何贪心基线最多缩短55.8%。
2026-08-04 cs.RO
DREAM: Decentralized Reinforcement Learning for Exploration and Efficient Energy Management in Multi-Robot Systems
Purdue University(普渡大学)
提出 DREAM 去中心化强化学习框架,结合作业范围估计、能耗模型与图神经网络优化多机器人探索和目标分配,在仿真中较基线提升约 25%。
2023-09-29 cs.AI cs.MA 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
Decentralized Multi-Robot Line-of-Sight Connectivity Maintenance under Uncertainty
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Carnegie Mellon University(卡内基梅隆大学)
针对高斯定位不确定性下的多机器人视线连通性维持问题,提出基于概率视线连通性屏障证书的分散式运动协调框架,在最小干扰原有任务的前提下高概率保连通,经理论证明及仿真与实物实验验证有效。
2024-06-18 cs.RO
D2CoPlan: A Differentiable Decentralized Planner for Multi-Robot Coverage
University of Maryland, College Park(马里兰大学帕克分校);Drexel University(德雷塞尔大学)
多机器人覆盖规划问题的集中式方法缺乏可扩展性。基于学习的分布式算法提供了一个可扩展的途径,除了将面向数据的特征生成功能带到表中,允许与其他基于学习的方法集成。为此,我们提出了一个基于学习的,可区分的分布式覆盖规划(D2COPL A N),它的规模有效地在运行时和代理的数量相比,专家算法,并执行与经典的分布式算法。此外,我们还表明,D2COPlan可以与其他学习方法无缝结合,进行端到端的学习,从而获得比单独训练的模块更好的解决方案,为进一步研究经典方法仍然难以实现的任务打开了大门。
2022-09-19 cs.RO
LIVEPOINT: Fully Decentralized, Safe, Deadlock-Free Multi-Robot Control in Cluttered Environments with High-Dimensional Inputs
University of Virginia(弗吉尼亚大学)
提出 LIVEPOINT 去中心化框架,直接基于点云构建通用 CBF,并用对称交互度量调节速度,实现动态杂乱环境中安全、无死锁且平滑的实时多机器人导航。
2025-03-17 cs.MA cs.RO cs.SY
Decentralized Simultaneous Multi-target Exploration using a Connected Network of Multiple Robots
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);CNRS(法国国家科学研究中心);Irisa(法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心);Inria Rennes Bretagne Atlantique(法国国家信息与自动化研究所雷恩布列塔尼大西洋研究中心);Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);LAAS(LAAS分析及系统架构实验室);Univ de Toulouse(图卢兹大学)
提出了一种新的多机器人系统的分散控制策略,使并行多目标探索,同时确保在混乱的三维环境中的时变连接拓扑结构。灵活的连续连接是通过建立在最近的连接维护方法,其中有限的范围,视线的可见性,并同时考虑到避免碰撞。通过动态分配机器人在探测任务中的不同运动行为,保证了分散式多目标探测算法的完备性。一个主要群组基于当前领导者的行进效率以及行进力与连接力之间的方向对准而经受主行进力的适当缩减。这有助于领导者始终达到当前目标,并在更大的时间范围内,整个团队在有限的时间内实现整体任务。通过对多架四旋翼无人机的蒙特卡罗仿真,验证了该方法的可扩展性和有效性,并通过实验验证了其实用性。
2017-03-16 cs.RO
A Framework for Real-World Multi-Robot Systems Running Decentralized GNN-Based Policies
University of Cambridge(剑桥大学)
GNN是一种范式转换的神经架构,用于促进复杂多智能体行为的学习。最近的工作已经表现出显着的性能,如群集,多智能体路径规划和合作覆盖的任务。然而,通过基于GNN的学习方案获得的策略尚未部署到物理多机器人系统的现实世界中。在这项工作中,我们提出了一个系统的设计,允许完全分散执行基于GNN的政策。我们创建了一个基于ROS2的框架,并在本文中详细阐述了它的细节。我们展示了我们的框架上的案例研究,需要机器人之间的紧密协调,并提出了第一种的结果,显示成功的现实世界部署的GNN为基础的政策上的分散的多机器人系统依赖于自组织通信。这个案例研究的视频演示以及附带的源代码存储库可以在网上找到。https://www.youtube.com/watch? https://github.com/proroklab/ros2_multi_agent_passage https://github.com/proroklab/rl_multi_agent_passage
2022-02-28 cs.LG cs.MA cs.RO