FlyKites: Human-centric Interactive Exploration and Assistance under Limited Communication
College of Engineering, Peking University(北京大学工程学院)
本文提出FlyKites框架,通过分布式探索、中继拓扑与角色同步优化以及人在环路在线执行,解决有限通信下多机器人交互式探索与辅助问题。
2025-09-19 cs.RO
MoRoCo: An Online Topology-Adaptive Framework for Multi-Operator Multi-Robot Coordination under Restricted Communication
本文提出MoRoCo框架,通过建立延迟受限的间歇通信基础架构和 detach-and-rejoin 机制,实现多操作员多机器人在受限通信环境下的协调,支持在线团队扩展和拓扑重构,通过本地通信实现子图的动态分解与组合,有效支持时间敏感请求。
2026-03-16 cs.RO
Autonomous Multi-Robot Exploration Strategies for 3D Environments with Fire Detection Capabilitie
College of Engineering University of Washington, Seattle, USA
本文综述了面向建筑探索与火灾探测的自主多机器人系统在2D/3D环境中的探索策略,提出基于OctoMap和势场避障的模块化定位、建图与轨迹规划方法,并展望了去中心化建图、多无人机协同和时变环境适应等未来方向。
2024-11-24 cs.RO
LOMORO: Long-term Monitoring of Dynamic Targets with Minimum Robotic Fleet under Resource Constraints
College of Engineering, Peking University(北京大学工程学院)
本文提出LOMORO在线协调方案,解决资源约束下动态目标长期监测问题,通过资源感知任务协调与在线适应算法,在保证监测间隔和资源水平的同时最小化活动机器人数量。
2025-10-11 cs.RO
Explore-Bench: Data Sets, Metrics and Evaluations for Frontier-based and Deep-reinforcement-learning-based Autonomous Exploration
Tsinghua University(清华大学)
利用单个或多个机器人自主探索和绘制未知地形是移动机器人的一项重要任务,因此得到了广泛的研究。然而,由于缺乏统一的数据集,指标和平台来评估探索方法,我们开发了一个自主机器人探索基准,名为Explore-Bench。该基准涉及各种探测场景,并提出了两种类型的定量指标来评估探测效率和多机器人合作。Explore-Bench非常有用,因为最近,深度强化学习(DRL)已被广泛用于机器人探索任务,并取得了可喜的成果。然而,训练基于DRL的方法需要大量的数据集,此外,目前的基准依赖于现实的模拟器,模拟速度慢,这是不适合训练探索策略。因此,为了支持高效的日间行车训练和综合评估,建议的Explore-Bench设计了一个具有统一数据流和$12 \times$加速的3级平台,其中包括用于快速评估和高效训练的基于网格的模拟器、逼真的Gazebo模拟器和用于在物理环境中进行高精度测试的远程访问机器人测试台。建议的基准的实用性突出了一个基于DRL和三个基于前沿的勘探方法的应用。此外,我们分析了性能差异,并提供了一些见解的选择和设计的勘探方法。我们的基准可以在https://github.com/efc-robot/Explore-Bench上找到。
2022-02-24 cs.RO
A Novel Methodology for Autonomous Planetary Exploration Using Multi-Robot Teams
James Watt School of Engineering, University of Glasgow(格拉斯哥大学詹姆斯·瓦特工程学院)
本文提出一种融合多源数据的三阶段多机器人行星探测规划方法,利用4D RRT*和优先级规划生成安全高效路径,最大化科学兴趣点识别概率。
2024-05-21 cs.RO
Multi-Robot Autonomous Exploration and Mapping Under Localization Uncertainty with Expectation-Maximization
Stevens Institute of Technology(史蒂文斯理工学院)
本研究面向去中心化多机器人团队,提出一种考虑地图与定位不确定性的自主探索算法,通过虚拟地标量化噪声影响、采用期望最大化启发的迭代算法评估行动效果,实验证明其可在地图不确定性抑制与任务分配效率间实现平衡。
2024-03-06 cs.RO
Distributed Multi-Target Tracking for Autonomous Vehicle Fleets
Stanford University(斯坦福大学)
我们提出了一个可扩展的分布式目标跟踪算法的基础上交替方向的乘法器,非常适合于车队的自动驾驶汽车通过车辆到车辆的网络进行通信。每个感测车辆与其邻居通信以执行类似卡尔曼滤波器的更新的迭代,使得每个代理的估计近似于集中式最大后验估计,而不需要测量的通信。我们表明,我们的方法优于共识卡尔曼滤波器在恢复集中估计给定一个固定的通信带宽。我们还在高保真城市驾驶模拟器(CARLA)中演示了该算法,其中连接在时变通信网络上的50辆自动驾驶汽车使用车载摄像头跟踪50辆目标车辆的位置和速度。
2020-04-13 cs.RO
Deep Reinforcement Learning for Shared Autonomous Vehicles (SAV) Fleet Management
Virginia Polytechnic(弗吉尼亚理工学院)
共享自动驾驶汽车(SAV)车队公司正在全国范围内启动试点项目。2020年,弗吉尼亚州费尔法克斯宣布了弗吉尼亚州首个共享自动驾驶车队试点项目。SAV承诺改善生活质量。然而,SAV也会产生额外的车辆行驶里程(VMT),从而导致更多的排放,能源消耗和排放,从而产生一些负外部性。过多的VMT主要是通过空重定位过程产生的。基于强化学习的算法正在被研究,作为解决其中一些问题的可能解决方案:最明显的是最大限度地减少乘客的等待时间。但是,还没有研究使用强化学习减少停车位成本或减少空巡航时间。本研究探讨不同的\textbf {强化学习方法,然后决定最佳的方法,以帮助减少乘客等待时间,停车成本和空行程
2022-01-15 cs.LG cs.RO
FleetAgent: Teleoperation Assistant for Autonomous Fleets via Vectorized V2N Messages
College of Engineering, Purdue University(普渡大学工程学院);Toyota InfoTech Labs(丰田信息技术实验室)
提出FleetAgent,一种基于多模态大语言模型的云端助手,通过紧凑的向量化V2N消息实现高效远程操作监控,显著降低上行负载和内存占用,并提升操作员优先级判断与干预效果。
2026-06-23 cs.AI cs.RO
VirTooS: A ROS 2 - Unity Virtualization Toolkit for Fleet Management of Autonomous Mobile Robots
Department of Electrical, Electronic and Information Engineering, University of Bologna(博洛尼亚大学电气、电子与信息工程学院)
本文提出VirTooS工具包,结合ROS 2与Unity引擎,支持自主移动机器人车队管理,可构建混合现实虚拟实验环境,实现真实与虚拟机器人交互,源代码将在GitHub公开。
2026-08-27 cs.RO
Managing a Fleet of Autonomous Mobile Robots (AMR) using Cloud Robotics Platform
TCS Research, Tata Consultancy Services(TCS研究部,塔塔咨询服务公司)
在本文中,我们提供的细节,实现一个系统,用于管理一个车队的自主移动机器人(AMR)在工厂或仓库的前提下运行。虽然机器人本身是自主的运动和避障能力,每个机器人的目标目的地是由一个全局规划器。全局规划器和地面车辆(机器人)构成一个多智能体系统(MAS),通过无线网络相互通信。探讨了三种不同的实施办法。前两种方法利用基于分布式计算的网络机器人架构和机器人操作系统(ROS)本身的通信框架,而第三种方法则使用Rapyuta Cloud Robotics框架来实现。这些方法的比较性能进行了分析,通过仿真以及现实世界的实验与实际的机器人。与通常的ROS框架相比,这些分析提供了对Cloud Robotics Platform内部工作的深入理解。通过这个练习获得的见解将是有价值的学生以及有兴趣在其他地方实现类似系统的实践工程师。在此过程中,我们还确定了当前Rapyuta平台的一些关键限制,并提供了克服这些限制的建议。
2017-06-27 cs.RO
Joint Optimization of Autonomous Electric Vehicle Fleet Operations and Charging Station Siting
Stanford University(斯坦福大学)
本文提出联合优化自动驾驶电动车队运营与充电站选址的线性规划,以最小化总成本,案例研究表明小型高能效电动车最具成本效益,且最优选址更分散,可降低总成本、空驶和峰值负荷达10%。
2021-07-21 cs.MA cs.RO cs.SY
SLEI3D: Simultaneous Exploration and Inspection via Heterogeneous Fleets under Limited Communication
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(杜克昆山大学自然科学与应用科学系)
SLEI3D通过异构舰队实现同步探索与勘察,并在有限通信条件下进行实时通信。
2026-01-01 cs.RO
Marine Autonomous Vehicle Fleet Scheduling to Maximise Scientific Impact
British Antarctic Survey(英国南极调查局);AI Lab(人工智能实验室)
该研究针对海洋自主航行器集群调度难题,提出混合整数线性规划模型,整合船舶航线实现高效调度,可快速求解大规模集群问题,兼具调度与仿真功能,支持战略决策。
2026-08-28 cs.RO math.OC
Fleet-Level Battery-Health-Aware Scheduling for Autonomous Mobile Robots
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出一种多机器人调度方法,考虑电池退化成本,优化任务分配、服务顺序、充电决策和充电模式,平衡车队退化。通过线性化非线性退化项,结合实例数据改进松弛,采用分层启发式方法提升可扩展性。
2026-03-24 cs.RO cs.SY eess.SY
Low-cost Multi-agent Fleet for Acoustic Cooperative Localization Research
Brigham Young University
针对水下多智能体自主性测试的高成本挑战,提出低成本可配置AUV平台CoUGARs,配备DVL和USBL以支持声学协同定位研究,开发容器化软件栈并完成模拟与原位测试。
2025-11-11 cs.MA cs.RO
On the Interaction between Autonomous Mobility on Demand Systems and Power Distribution Networks -- An Optimal Power Flow Approach
Marain Inc.(Marain公司);Stanford University(斯坦福大学);eIQ Mobility(eIQ Mobility公司);SLAC National Accelerator Laboratory(SLAC国家加速器实验室)
在未来的交通系统中,电动自主移动按需(AMoD)车队的充电行为,即,为按需出行请求提供服务的电动自动驾驶汽车车队可能会挑战配电网络(PDN),导致过载或电压下降。在本文中,我们表明,如果PDN的操作约束和外源负载(例如,来自家庭或企业)在操作电动AMoD车队时被考虑。我们专注于系统级的角度来看,假设AMoD和PDN运营商之间的充分协调。从这个单一实体的角度来看,我们评估潜在的协调效益。具体来说,我们扩展了以前的结果,基于优化的建模方法,电动AMoD系统,共同控制电动AMoD车队和一系列的PDN,并分析负载平衡约束下的协调的好处。对于加利福尼亚州奥兰治县的案例研究,我们表明,电动AMoD车队和PDN之间的协调消除了99%的过载和50%的电压降,电动AMoD车队将导致在不协调的设置。我们的研究结果表明,协调电动AMoD和PDN可以帮助保持PDN的可靠性下增加的电动AMoD充电负载,从而显着减轻或推迟PDN容量升级的需要。
2021-02-02 cs.MA cs.RO cs.SY
Smart Fleet Solutions: Simulating Electric AGV Performance in Industrial Settings
University of Padova(帕多瓦大学);Techmo Car S.p.a.(泰克莫汽车股份公司)
本文探讨了工业环境中集成电动汽车和自主地面车辆的益处与挑战,开发了一款车队管理工具,并在初级铝厂中仿真电动 AGV 性能,为优化车队运营提供建议。
2024-08-22 cs.RO
A Data-Informed Analysis of Scalable Supervision for Safety in Autonomous Vehicle Fleets
Institute for Data, Systems, and Society, Massachusetts Institute of Technology(麻省理工学院数据、系统与社会研究所);Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology(麻省理工学院电气工程与计算机科学系);Department of Civil and Environmental Engineering, Massachusetts Institute of Technology(麻省理工学院土木工程与环境工程系)
本研究提出DISCES框架,结合加州高速历史数据与排队论分析远程监管自动驾驶车队的可行性,发现操作员需求较车载安全员降超99%,还验证了协同网联AV及区域聚合可进一步降低监管需求。
2024-09-14 cs.MA cs.RO cs.SY
Graph Attention Multi-Agent Fleet Autonomy for Advanced Air Mobility
Luddy School of Informatics, Computing, and Engineering at Indiana University(印第安纳大学勒迪信息、计算与工程学院);Stanford University(斯坦福大学)
针对先进空中交通机队协调的扩展性难题,提出部分可观测博弈框架与HetGAT Enc-Dec强化学习策略,实现去中心化决策且泛化性、性能均优于现有图神经网络方法。
2023-08-01 cs.AI cs.GT cs.MA
FleetScape: A Mixed Reality Sandtable for Spatial Supervision and Control of Scalable Drone Fleets
University of Toulouse, Fédération ENAC ISAE-SUPAERO ONERA(图卢兹大学、法国航空航天学校联合会、高等航空航天学院、法国航空航天研究院);CNRS, IPAL(法国国家科学研究中心、IPAL机构);National University of Singapore(新加坡国立大学);National University of Singapore, Augmented Human Lab(新加坡国立大学增强人类实验室);National University of Singapore, School of Computing(新加坡国立大学计算机学院)
该研究提出混合现实沙盘系统FleetScape,通过空间交互优化无人机机群监督,经用户研究验证其对态势感知和控制切换的作用,同时得出相关设计启示。
2026-08-31 cs.HC cs.RO
Learning to Control Autonomous Fleets from Observation via Offline Reinforcement Learning
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学)
针对现有集中式强化学习控制自主按需出行系统依赖在线交互数据、样本成本高的问题,提出用离线强化学习形式化系统控制,仅靠离线数据得到的策略性能比肩在线方法、支持高效微调且无需复杂仿真,为RL在经济关键系统的应用提供了新范式。
2023-08-25 cs.LG cs.RO cs.SY
Multi-agent Collaborative Perception for Robotic Fleet: A Systematic Review
Carnegie Mellon University(卡内基梅隆大学);University of Maryland(马里兰大学);Worcester Polytechnic Institute(伍斯特理工学院)
本综述总结20余篇协同感知研究,探讨测试评估框架,实验证明协同感知较单机器人感知性能提升超200%,并附开源仓库。
2024-03-22 cs.RO
Fleets Need a Context Plane: Rethinking Cooperative Perception for Autonomous Drones
Texas Tech University(德克萨斯理工大学)
针对无人机机群协同感知的上下文适配问题,提出上下文平面接口,实现低开销运行时策略决策,在UAV3D上验证了其准确率与全量共享相当且带宽占用极低。
2026-09-02 cs.DC cs.ET cs.RO
Provably Stable Multi-Agent Routing with Bounded-Delay Adversaries in the Decision Loop
School of Engineering and Applied Sciences, Harvard University(哈佛大学工程与应用科学学院)
研究多智能体路由中对抗性智能体引起有界延迟降低车队性能的问题,推导出对抗性智能体比例阈值及恢复稳定性的车队规模充分条件,并在自动驾驶出租车案例中验证。
2025-04-01 cs.MA cs.RO
A Fleet of Miniature Cars for Experiments in Cooperative Driving
University of Cambridge(剑桥大学)
本文介绍了一种由16辆微型Ackermann转向车辆组成的独特实验平台,旨在解决多车导航和轨迹规划研究与教育中低成本平台不足的问题,通过实验展示合作驾驶在多车道道路地形中的优势。
2019-02-16 cs.RO cs.SY eess.SY
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
Scalable Primitives for Generalized Sensor Fusion in Autonomous Vehicles
Woven Planet Level 5
在自动驾驶领域,深度神经网络在感知、预测和规划任务中的应用出现了爆炸式增长。随着自动驾驶汽车(AV)接近生产,多模态传感器输入和具有不同传感器平台的异构车队在行业中变得越来越普遍。然而,神经网络架构通常针对特定的传感器平台,并且对输入的变化不鲁棒,使得缩放和模型部署的问题特别困难。此外,大多数玩家仍然将软件和硬件的优化问题视为完全独立的问题。我们提出了一个新的端到端的架构,广义传感器融合(GSF),这是设计在这样一种方式,传感器输入和目标任务是模块化的和可修改的。这使AV系统设计人员能够轻松地试验不同的传感器配置和方法,并能够使用大型工程组织共享的相同模型在异构车队上进行部署。使用这个系统,我们报告的实验结果,我们证明了一个昂贵的高密度(HD)激光雷达传感器与廉价的低密度(LD)激光雷达加相机设置在3D目标检测任务的近平价。这为行业联合设计硬件和软件架构以及具有异构配置的大型车队铺平了道路。
2021-12-01 cs.CV cs.RO
iHERO: Interactive Human-oriented Exploration and Supervision Under Scarce Communication
College of Engineering, Peking University(北京大学工学院)
本文提出iHERO框架,在稀缺通信下协调多机器人协作探索与人类操作员监督,通过快速探索、间歇数据交换和状态更新之间的最优切换,实现低延迟交互式人机协同探索。
2024-06-07 cs.RO
A Beacon Based Solution for Autonomous UUVs GNSS-Denied Stealthy Navigation
French National Research Agency(法国国家研究署)
该研究提出了一种基于信标的自主UUV在GNSS受限环境下实现隐蔽导航的方案,通过分层规划器和合成地标网络实现精确路径导航。
2026-01-22 cs.AI cs.RO
On the Interaction between Autonomous Mobility-on-Demand and Public Transportation Systems
Stanford University(斯坦福大学);Technical University of Munich(慕尼黑技术大学)
本文研究了自动驾驶出行即服务与公共交通系统的耦合模型及协调策略,通过网络流模型最大化社会福利,并设计定价与收费方案实现社会最优,以纽约市为例验证了协同效应。
2018-09-05 cs.RO cs.SY eess.SY
Learning While Deploying: Fleet-Scale Reinforcement Learning for Generalist Robot Policies
Shanghai Innovation Institute(上海创新研究院);AGIBOT Finch;Columbia University(哥伦比亚大学)
提出LWD框架,通过机群规模的离线到在线强化学习,结合分布式隐式价值学习与伴随匹配Q学习,持续后训练通用视觉-语言-动作策略,在16台双臂机器人上实现95%平均成功率。
2026-09-17 cs.RO
Resilient Fleet Management for Energy-Aware Intra-Factory Logistics
The Ohio State University(俄亥俄州立大学)
针对自主工厂中电池机器人车队面临的通道受阻与故障等不确定性,提出基于 Monte Carlo Tree Search 标称树和中断后快速更新的集中式任务重分配方法,实验验证其具备实时弹性调度能力。
2024-09-08 cs.MA cs.RO cs.SY
FAEP: Fast Autonomous Exploration Planner for UAV Equipped with Limited FOV Sensor
Wuhan University(武汉大学);Nanjing Tech University(南京工业大学)
自主探测是实现无人机自主运行的重要环节之一。为了提高探测过程的效率,本文提出了一种快速自主探测规划器(FAEP)。首先设计了一种新的边界探索序列生成方法,该方法不仅考虑了飞行层因素,还考虑了边界层因素,从而得到了更合理的探索路径。根据勘探顺序和边界分布,提出了一种两阶段航向规划策略,在一次勘探过程中通过改变航向覆盖更多的边界。为了提高路径搜索的稳定性,提出了一种基于引导路径的引导式运动动力学路径搜索方法。此外,还采用了一种动态的起点选择方法进行重新规划,以增加飞行的流畅性。我们提出了足够的基准和现实世界的实验。实验结果表明,与典型的和国家的最先进的方法相比,所提出的勘探规划的优越性。
2022-02-25 cs.RO
RMF-Owl: A Collision-Tolerant Flying Robot for Autonomous Subterranean Exploration
NTNU(挪威科技大学);University of Nevada, Reno(内华达大学里诺分校)
本文介绍了RMF-Owl的设计、硬件实现、自主探测和目标检测能力,它是一种为弹性自主地下探测而设计的新型耐碰撞空中机器人。该系统专为地下勘探而定制,专注于碰撞容限、具有强大定位和映射功能的弹性自主性,以及在受限、充满障碍物和拓扑复杂的地下环境中进行高性能勘探路径规划。此外,RMF-Owl提供搜索、检测和定位感兴趣物体的能力,这在搜索和救援任务中特别有用。一系列的现场实验结果,以证明该系统的自主探索具有挑战性的未知地下环境的能力。
2022-02-22 cs.RO
Autonomous on-Demand Shuttles for First Mile-Last Mile Connectivity: Design, Optimization, and Impact Assessment
University of Central Florida(中佛罗里达大学);Tel-Aviv University(特拉维夫大学);Aimsun
本研究设计并优化了自主按需穿梭车系统,通过动态交通分配模型和贪心启发式方法,实现高效首末段连接服务,证明3辆车辆可满足80%的按需需求,且对常规交通影响小。
2024-08-15 cs.RO stat.AP
GuangMing-Explorer: A Four-Legged Robot Platform for Autonomous Exploration in General Environments
Guangdong Laboratory of Artificial Intelligence(广东人工智能实验室);Shenzhen University(深圳大学)
GuangMing-Explorer是一种四足机器人平台,旨在通过整合硬件和软件实现自主探索,适用于复杂和非结构化环境。
2025-12-17 cs.RO
Autonomous Exploration Development Environment and the Planning Algorithms
Carnegie Mellon University(卡内基梅隆大学)
Autonomous Exploration Development Environment是一个开源存储库,旨在促进高级规划算法的开发和完整自主导航系统的集成。该存储库包含代表性的仿真环境模型、基本导航模块,例如,本地规划器、地形可通过性分析、航路点跟踪和可视化工具。结合我们的两个高级规划器版本-用于探索的TARE规划器和用于路线规划的FAR规划器,我们详细介绍了三个开源存储库的使用情况,并分享了集成自主导航系统的经验。我们使用DARPA Subterranean Challenge作为一个用例,其中存储库一起形成CMU-OSU团队的主要导航系统。最后,我们讨论了扩展应用程序中的一些潜在用例。
2021-10-27 cs.RO
Autonomous Exploration Method for Fast Unknown Environment Mapping by Using UAV Equipped with Limited FOV Sensor
Wuhan University(武汉大学)
自主探测是实现快速自主测绘和目标搜索的重要环节之一。然而,现有的大多数方法都面临着低质量的弹道或来回机动造成的低效率的问题。为了提高未知环境下的探测效率,提出了一种快速自主探测规划器(FAEP)。与现有方法不同,本文首先设计了一种新的边界探索序列生成方法,该方法不仅考虑了飞行层的因素,还考虑了边界层的因素,以获得更合理的探索路径。然后,根据探测序列和边界的分布,提出了一种自适应偏航规划方法,在探测过程中通过偏航变化覆盖更多的边界。此外,为了提高飞行的速度和流畅性,还采用了动态重规划策略。我们提出了充分的比较和评估实验在模拟环境中。实验结果表明,所提出的探索规划器具有更好的性能,在飞行时间和飞行距离相比,典型的和国家的最先进的方法。此外,所提出的方法的有效性进一步评估在现实世界的环境中。
2023-02-05 cs.RO
Radar-based Pose Optimization for HD Map Generation from Noisy Multi-Drive Vehicle Fleet Data
Institute of Measurement and Control Systems, Karlsruhe Institute of Technology (KIT)(测量与控制系统研究所,卡尔斯鲁厄理工学院)
本文提出基于雷达的姿态优化方法,用于从噪声多车车队数据生成高精度地图,通过姿态图优化提升地图精度和特征清晰度。
2026-03-03 cs.RO
Battery-Swapping Multi-Agent System for Sustained Operation of Large Planetary Fleets
Northeastern University - Institute for Experiential Robotics(东北大学体验式机器人研究所)
本文提出一种异构多智能体架构,通过中央枢纽集中发电与换电实现巡视器小型化和车队高效扩展,并开发开源平台验证了野外地形下的自主对接与电池更换,将技术就绪水平从1级提升至3级。
2024-01-16 cs.RO
REF: A Rapid Exploration Framework for Deploying Autonomous MAVs in Unknown Environments
Luleå University of Technology(吕勒奥理工大学)
未知环境的探测和测绘是自主机器人应用中的一项基本任务。在这篇文章中,我们提出了一个完整的框架部署MAVs在未知的地下区域的自主勘探任务。探索算法的主要目的是为机器人描绘下一个最佳前沿,以便以快速,安全而有效的方式覆盖新的领域。所提出的框架使用了一种新的边界选择方法,该方法也有助于自主机器人在地下洞穴,矿山和城市地区等障碍区域的安全导航。在这项工作中提出的框架分叉的探索问题,在本地和全球的探索。所提出的探索框架也可根据机器人上可用的计算资源进行调整,这意味着可以在探索速度和地图质量之间进行权衡。这种能力允许所提出的框架被部署在地下勘探、测绘以及快速搜索和救援场景中。整个系统被认为是一个低复杂性和基线解决方案的导航和目标定位在隧道般的环境。所提出的框架的性能进行了评估,详细的模拟研究与高层次的探索规划框架的DARPA子T的挑战,因为它将在这篇文章中提出的比较。
2022-11-08 cs.RO
Data-Driven Model Predictive Control of Autonomous Mobility-on-Demand Systems
Stanford University(斯坦福大学);Houzz Inc.(Houzz公司)
本文提出一种端到端的数据驱动框架,用于控制自动驾驶按需出行系统,通过时间扩展网络建模并设计MPC算法,利用历史数据预测短期需求,减少乘客等待时间达89.6%。
2017-09-20 cs.MA cs.RO cs.SY
A Heuristic Autonomous Exploration Method Based on Environmental Information Gain During Quadrotor Flight
本文针对四旋翼自主探索效率低的问题,提出基于采样的前沿检测和启发式视点评估的两级方法,显著缩短前沿搜索、探索时间与路径。
2024-02-25 cs.RO
Learning Autonomous Exploration and Mapping with Semantic Vision
ShanghaiTech University(上海科技大学)
我们解决的问题,自主探索和地图的移动机器人使用视觉输入。探索和地图绘制是机器人领域的一个重要问题,其目标是使机器人能够自主地探索新的环境并创建地图以供将来使用。与经典的方法不同,我们提出了一种基于学习的方法,这项工作的基础上的语义解释的视觉场景。我们的方法是基于一个由三个模块组成的深度网络:语义分割网络,使用相机几何和探索行动网络映射。所有模块都是可区分的,因此整个管道都是基于演员-评论家框架进行端到端训练的。我们的网络一步一步地做出行动决策,同时生成自由空间地图。据我们所知,这是第一个将探索和映射公式化为学习框架的算法。我们验证我们的方法在模拟现实世界的环境中,并证明了竞争力的基线方法的性能增益。
2019-01-15 cs.RO
Scaling Multi Agent Reinforcement Learning for Underwater Acoustic Tracking via Autonomous Vehicles
KEMLG Research Group, Universitat Politècnica de Catalunya Barcelona, Spain(凯姆尔格研究组,巴塞罗那理工大学,西班牙);Instituto de Ciencias del Mar, Consejo Superior de Investigaciones Científicas, Barcelona, Spain(海洋科学研究所,西班牙国家科学研究委员会,巴塞罗那,西班牙);KEMLG Research Group, Universitat Politècnica de Catalunya (UPC), and with the HPAI group at Barcelona Supercomputing Center (BSC), Barcelona, Spain(凯姆尔格研究组,巴塞罗那理工大学(UPC),以及巴塞罗那超级计算中心(BSC)的HPAI组,巴塞罗那,西班牙)
提出一种GPU加速环境(高达30000倍加速)和基于Transformer的MARL架构(TransfMAPPO),实现多目标快速移动场景下的水下跟踪,跟踪误差低于5米。
2026-06-02 cs.AI cs.DC cs.PF
Surge Routing: Event-informed Multiagent Reinforcement Learning for Autonomous Rideshare
Harvard University(哈佛大学)
针对大型活动导致的网约车需求激增,提出结合活动文本信息预测与多智能体强化学习的路由框架,在纽约市真实数据上使等待时间开销降低25%-75%,接单量提升1%-4%。
2024-01-24 cs.AI cs.MA cs.RO
Frontier Based Exploration for Autonomous Robot
Maryland Robotics Center(马里兰机器人中心);University of Maryland(马里兰大学)
探索是在初始未知的环境中选择对特定增益函数产生最大贡献的目标点的过程。基于边界的勘探是最常见的勘探方法,其中边界是开放空间和未勘探空间之间的边界区域。通过移动到一个新的边界,我们可以继续构建环境地图,直到没有新的边界可以检测。在本文中,一个自主的前沿为基础的探索策略,即波前前沿探测器(WFD)的描述和实现的露台仿真环境,以及在硬件平台上,即Kobuki TurtleBot使用机器人操作系统(ROS)。这种算法的优点是机器人可以探索大的开放空间以及小的杂乱空间。此外,将通过该技术生成的映射与使用turtlebot_teleop ROS包生成的映射进行比较和验证。
2018-06-10 cs.RO
Semantic Region Aware Autonomous Exploration for Multi-Type Map Construction in Unknown Indoor Environments
Chongqing University(重庆大学)
针对自主探索过度重复问题,提出语义区域感知方法优化导航策略,支持构建四种地图,相比 RRT 方法在保持高探索率下显著减少探索时间和轨迹长度。
2024-10-10 cs.RO cs.SY eess.SY
Terrain-Aware Autonomous Planetary Exploration for Exteroceptive-Proprioceptive Mapping with Quadruped Scouts
Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
本文提出一种结合外感受与本体感受建图的地形感知探索框架,用于四足机器人在月球类似环境中的自主导航,仿真表明该方法能有效扩展地图并降低运输成本。
2026-09-29 cs.RO
Multi-Objective Autonomous Exploration on Real-Time Continuous Occupancy Maps
Indiana University-Bloomington(印第安纳大学伯明顿分校);Wing, Alphabet Inc.(Alphabet公司Wing)
使用移动机器人在未知环境中进行自主探索是许多机器人应用的支柱。现有的探索框架要么选择最近的几何边界,要么选择最近的信息论边界。然而,仅仅因为边界本身是信息化的,并不一定意味着机器人在到达该边界后将处于信息化区域。为了填补这一空白,我们建议使用一个多目标的变体蒙特卡罗树搜索,提供了一个非近视的帕累托最优动作序列,导致机器人的未知区域发现的最大程度的前沿。我们还采用贝叶斯希尔伯特映射(BHM)的连续占用映射,使其更适用于实时的【形】任务。
2021-10-29 cs.RO
Dynamic-Aware Autonomous Exploration in Populated Environments
Sevensense Robotics AG(七感机器人股份公司);ETH Zurich(苏黎世联邦理工学院)
自主探索允许移动机器人在最初未知的领域中导航,以构建环境的完整表示。在许多实际应用中,环境通常包含动态障碍物,这些障碍物可以通过暂时阻挡通道、狭窄路径、通往其他待探索区域的出口或入口来损害探索过程。在这项工作中,我们制定了一种新的探索策略,能够明确地处理动态障碍,从而导致完整和可靠的探索结果在人口稠密的环境。我们引入了动态边界的概念,以代表未知区域的边界与动态障碍物一起的成本函数,使机器人作出明智的决定,何时重新访问这些边界。我们在具有挑战性的模拟环境中评估了所提出的策略,并表明它在这些人口稠密的场景中优于最先进的基线。
2021-07-28 cs.RO
Optimizing Plastic Waste Collection in Water Bodies Using Heterogeneous Autonomous Surface Vehicles with Deep Reinforcement Learning
University of Sevilla(塞维利亚大学)
针对异构自主水面车辆的水体塑料垃圾收集问题,提出由侦察艇建模、清洁艇收集的无模型深度强化学习协调框架,并在两类场景中验证其优于启发式基准。
2024-12-03 cs.LG cs.RO