Can A Single Human Supervise A Swarm of 100 Heterogeneous Robots?
Collaborative Robotics and Intelligent Systems Institute(协作机器人与智能系统研究所);Oregon State University(俄勒冈州立大学);SIFT, LLC(SIFT有限责任公司)
本研究通过实地演习验证了单个人类能够监管100个异构机器人蜂群执行真实任务,尽管工作量常超阈值,但任务仍成功完成。
2023-07-31 cs.AI cs.HC cs.RO
SwarmDiff: Swarm Robotic Trajectory Planning in Cluttered Environments via Diffusion Transformer
Department of Advanced Manufacturing and Robotics, College of Engineering, Peking University(先进制造与机器人系,工程学院,北京大学);Department of Computer Science, The University of Hong Kong(计算机科学系,香港大学)
针对杂乱环境中群体机器人轨迹规划的效率、扩展性与安全挑战,提出分层生成框架SwarmDiff,结合PDF建模、条件扩散、CVaR和DiT实现高效安全的轨迹规划,性能优于现有方法。
2025-05-21 cs.MA cs.RO
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
SwarmCoDe: A Scalable Co-Design Framework for Heterogeneous Robot Swarms via Dynamic Speciation
Department of Mechanical Engineering, École Polytechnique Fédérale de Lausanne(瑞士联邦理工学院洛桑分校机械工程系)
本文提出SwarmCoDe框架,通过动态种群划分自动扩展机器人群异质性以匹配任务复杂度,实现大规模异构机器人群的协同设计优化。
2026-10-30 cs.MA cs.NE cs.RO
Communication Model-Task Pairing in Artificial Swarm Design
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);Vanderbilt University(范德堡大学);Michigan State University(密歇根州立大学);Oregon State University(俄勒冈州立大学)
揭示控制群体中两个个体相互作用的通信模型的本质是集体行为科学的一条重要研究路线。在生物群体文献中已经提出了许多模型,其中主要的模型是度量模型、拓扑模型和视觉模型。在这份手稿中评估的假设是一个通信模型的选择是否影响一个有任务的人工群的性能。生物模型被用来设计协调算法的模拟群,这是在一系列的六个群机器人任务进行评估。每个任务都有一组相关的性能指标,用于评估通信模型之间的相互影响。一般的研究结果表明,通信模型显着影响群体的性能为个人的任务,这一结果意味着通信模型任务配对是一个重要的考虑因素时,设计人工群体。对每个任务的性能指标的进一步分析揭示了模型和各种实验因素之一的成对考虑变得相关的实例。报告的研究表明,人工群体的任务性能可以通过仔细选择的通信模型。
2018-01-22 cs.RO
Swarm-Enabling Technology for Multi-Robot Systems
Singapore University of Technology and Design(新加坡科技设计大学);Massachusetts Institute of Technology(麻省理工学院)
近年来,群机器人技术经历了快速的发展,主要是由专门的多机器人系统开发,以实现专门的集体行动。这些专门的平台通常在前面和中心设计有群集考虑。群集所需的关键硬件和软件元素通常深度嵌入并与特定系统集成。然而,鉴于低成本移动机器人数量的明显增加,从业者和爱好者可能会开始考虑通过最低限度地改造这种移动平台来组装成熟的集群。在这里,我们报告了这种技术的一个可能的实施例,该技术旨在使组装和研究群集在一系列通用机器人系统。这是通过将模块化和可转移的软件工具箱与由低成本和现成组件组成的硬件套件相结合来实现的。所开发的技术可以移植到相对广泛的机器人平台上,只需最小的更改和高水平的可扩展性。这群使能技术已成功地实现了两个不同的分布式多机器人系统,一群移动海洋浮标和一组商业陆地机器人。我们已经测试了这两个分布式机器人系统在执行集体探索和搜索的情况下,以及其他经典的合作行为的有效性。不同的群体行为的实验结果报告的两个平台在不受控制的环境中,没有任何支持的基础设施。相关软件库的设计允许无缝切换到其他合作行为,并且还提供了在平台上实现新设计的集体行为之前模拟它们的可能性。
2017-05-11 cs.RO
Efficient and Interaction-Aware Trajectory Planning for Autonomous Vehicles with Particle Swarm Optimization
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Honda Research Institute(本田研究所)
本研究针对自动驾驶换道场景,提出结合粒子群优化、神经网络预测及多项式曲线拟合的轨迹规划方法,可实时生成平滑可行的换道轨迹,仿真对比验证了其有效性。
2024-02-02 cs.RO
GenGrid: A Generalised Distributed Experimental Environmental Grid for Swarm Robotics
IIIT-Bangalore(班加罗尔印度理工学院)
GenGrid是一种低成本、模块化的开源分布式实验环境网格平台,兼容多种移动机器人,支持双向通信与数据采集,能以最少资源运行多种群体机器人实验,突破了商业平台难以修改的局限。
2025-04-24 cs.MA cs.RO
Certifiable Mutual Localization and Trajectory Planning for Bearing-Based Robot Swarm
Institute of Cyber-Systems and Control, Zhejiang University(浙江大学智能系统与控制研究所)
本文针对基于方位测量的机器人集群,提出可认证互定位算法和基于可微分抗噪度量的集群轨迹规划器,在任意噪声下严格保证估计最优性并提升集群协作性能。
2024-01-15 cs.RO
Distributed Cohesive Control for Robot Swarms: Maintaining Good Connectivity in the Presence of Exterior Forces
TU Braunschweig(布伦瑞克工业大学)
我们提出了一些强大的本地机制,以保持一个动态的机器人群有限的能力和信息,在存在外力和永久节点故障。我们提出了一组局部连续算法,共同产生一个推广的欧几里德斯坦纳树。在任何阶段,所得到的整体形状都实现了局部厚度、全局连接性和柔性之间的良好折衷,以进一步实现端子的连续运动。由此产生的群体行为的规模以及,对节点故障是强大的,并执行接近最好的已知的近似界相应的集中式静态优化问题。
2015-05-12 cs.RO
Source-Seeking Problem with Robot Swarms
Universidad Complutense de Madrid(马德里康普顿斯大学)
提出一种仅依赖场强测量、适用于通用编队几何的机器人群体源搜索算法,可应对复杂动力学与动态成员变化,并经数值模拟验证。
2024-08-19 cs.RO
CommandSwarm: Safety-Aware Natural Language-to-Behavior-Tree Generation for Robotic Swarms
本文提出CommandSwarm系统,通过多语言翻译、安全过滤和约束提示生成XML行为树,验证了紧凑量化领域适应的LLM在机器人群体控制中的有效性,强调了解析器接受和安全过滤的重要性。
2026-05-08 cs.RO
SwarmUS: An open hardware and software on-board platform for swarm robotics development
University of Sherbrooke(舍布鲁克大学)
分布式群体机器人的实际应用是罕见的。通用群体机器人平台的标准化可以极大地加速群体机器人向现实生活的实现。SwarmUS平台是一个开源的硬件和软件板载嵌入式系统,旨在添加到现有的机器人上,同时为它们提供群功能,从而提出了一个新的平台标准化问题。这些功能包括基于超宽带的分布式相对定位系统、基于Wi-Fi的本地通信系统和基于SwarmUS平台内连接的机器人之间的Buzz程序设计语言的分布式协调系统。此外,一个人与群体的互动移动应用程序和仿真的机器人操作系统(ROS)的平台。最后,该系统的实现和测试两种类型的机器人:一个TurtleBot3汉堡和两个先锋2DX。
2022-03-05 cs.MA cs.RO cs.SY
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
Show me what you want: Inverse reinforcement learning to automatically design robot swarms by demonstration
Université libre de Bruxelles(布鲁塞尔自由大学)
自动设计是生成机器人群控制软件的一种很有前途的方法。到目前为止,自动设计依赖于任务特定的目标函数来指定所需的集体行为。在本文中,我们探讨的可能性,指定所需的集体行为,通过示范。我们开发Demo-Cho,一种自动设计方法,将逆强化学习与机器人群控制软件的自动模块化设计相结合。我们表明,只有在演示的基础上,而不需要提供一个明确的目标函数,Demo-Cho成功地生成了控制软件来执行四个任务。我们目前在模拟和物理机器人获得的结果。
2023-01-17 cs.LG cs.RO
Maximizing Energy Battery Efficiency in Swarm Robotics
University of Minnesota(明尼苏达大学)
小型化和成本是群体机器人的两个主要吸引力因素,促使其在物体收集任务,搜索和救援任务以及其他应用中作为解决方案使用。然而,在目前的文献中,只有少数论文考虑的能量分配效率在一个群体。一般来说,机器人每次都无条件地充电到最大水平,并且不包含对下一个任务所需能量的估计。在本文中,我们提出了一种能源效率最大化的方法,最大限度地减少了群体内的整体能源成本,同时最大限度地提高群体的性能上的对象收集任务。该方法利用电池上限和下限的动态阈值。该方法还显示出提高了现有能量管理方法的效率。
2019-06-05 cs.MA 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
Using Information Invariants to Compare Swarm Algorithms and General Multi-Robot Algorithms: A Technical Report
Robotics Institute, School of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学学院机器人研究所)
机器人群体是分散的多机器人系统,其成员使用来自邻近邻居的本地信息来执行简单的反应控制律,从而导致涌现的集体行为。相比之下,一般多机器人系统的成员可以访问全局信息、全对全通信或复杂的审慎协作。文献中的一些算法适用于机器人群体。其他的则需要一般多机器人系统的额外复杂性。给定一个应用领域,系统设计者或管理操作者必须分别选择一个适当的系统或算法,使他们能够实现他们的目标,同时满足任务约束(例如带宽,能量,时间限制)。在本文中,我们比较了代表性的群体和一般的多机器人算法在两个应用领域-导航和动态区域覆盖-相对于几个指标(如完成时间,距离travel- elled)。我们的目标是描述每一类算法的特征,以便为工程师的离线系统设计决策或监督操作员的在线算法选择决策提供信息。我们的贡献是:(a)在两个应用领域的代表性群体和一般的多机器人算法的实证性能比较,(b)基于信息不变量理论的算法的比较分析,这提供了一个理论表征支持我们的实证结果。
2018-02-25 cs.IT cs.MA cs.RO
Freehand Sketching for End-User Programming of Robot Swarms
Samueli School of Engineering, University of California, Irvine(加州大学尔湾分校塞缪尔工程学院);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出徒手草图绘制作为机器人群体编队的最终用户编程界面,通过人类研究验证其可用性,得分84.25,支持无需专业知识的直观交互。
2026-09-11 cs.RO cs.SY eess.SY
Online Distributed Trajectory Planning for Quadrotor Swarm with Feasibility Guarantee using Linear Safe Corridor
Seoul National University(首尔大学);Automation and Systems Research Institute(自动化与系统研究所)
本文提出了一种新的在线多智能体轨迹规划算法,保证在混乱的环境中生成安全,动态可行的轨迹。该算法利用线性安全走廊(LSC)将分布式轨迹优化问题转化为仅含可行约束的问题,避免了采用松弛变量或软约束来避免优化失败。我们采用一种基于优先级的目标规划方法来防止死锁,而不需要额外的过程来决定哪个机器人让步。该算法可以计算60代理的轨迹平均15.5毫秒每个代理与英特尔i7笔记本电脑,并显示了类似的飞行距离和距离相比,基线的基础上软约束。验证了所提方法在随机森林和室内空间均能无死锁地达到目标,并通过迷宫环境下10个四旋翼飞行器的实际飞行试验验证了所提方法的安全性和可操作性。
2022-01-03 cs.RO cs.SY eess.SY
Human-guided Swarms: Impedance Control-inspired Influence in Virtual Reality Environments
School of Mechanical and Materials Engineering(机械与材料工程学院);Washington State University(华盛顿州立大学);Department of Mechanical and Industrial Engineering(机械与工业工程系);University of Massachusetts(马萨诸塞大学)
本文提出一种基于阻抗控制启发的影响机制,在VR环境中实现人类监督者引导大规模无人机群体穿越狭窄峡谷,兼顾任务完成与保持群体涌现行为。
2024-02-06 cs.MA cs.RO
Gen-Swarms: Adapting Deep Generative Models to Swarms of Drones
University of Zaragoza(萨拉戈萨大学);Stanford University(斯坦福大学)
Gen-Swarms将深度生成模型与反应式导航算法结合,用于自动生成无人机表演,生成精确3D形状和可行轨迹,显著提升表演生成性能。
2025-03-29 cs.CV cs.RO
FACT: Fast and Active Coordinate Initialization for Vision-based Drone Swarms
Zhejiang University(浙江大学);Huzhou Institute of Zhejiang University(浙江大学湖州研究院);The Hong Kong University of Science and Technology (GZ)(香港科技大学(广州))
本文提出FACT系统,通过旋转观测、SDP求解非凸旋转估计及匈牙利算法恢复相对平移,解决基于视觉无人机群在SWaP约束下的快速鲁棒坐标初始化问题。
2024-03-20 cs.RO
Generative AI for Unmanned Vehicle Swarms: Challenges, Applications and Opportunities
Nanyang Technological University(南洋理工大学);University of Liverpool(利物浦大学);University of Technology Sydney(悉尼科技大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Guangdong University of Technology(广东工业大学);Singapore University of Technology and Design(新加坡科技设计大学);University of Sydney(悉尼大学)
本文综述生成式AI在无人车集群中的技术背景、应用、挑战与未来方向,以应对复杂动态环境下大规模无人车协同决策难题。
2024-02-28 cs.AI cs.RO
VG-Swarm: A Vision-based Gene Regulation Network for UAVs Swarm Behavior Emergence
Key Lab of Digital Signal and Image Processing of Guangdong Province(广东省数字信号与图像处理重点实验室);College of Engineering, University of Shantou(汕头大学工学院)
针对无人机集群围捕依赖集中控制与通信的问题,提出纯视觉结合GRN的分布式控制方法,并用FSM实现集体搜索与围捕,经仿真和真实实验验证有效。
2022-12-26 cs.RO
SwarmPaint: Human-Swarm Interaction for Trajectory Generation and Formation Control by DNN-based Gesture Interface
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
具有多智能体系统的遥操作任务在支持人类群体协作团队的探索和救援行动中具有很大的潜力。然而,它需要一个直观的和自适应的控制方法,以确保在混乱和动态变化的环境中群体的稳定性。我们提出了一种新的人类群体交互系统,允许用户控制群体的位置和形成,无论是直接的手运动或轨迹绘制与手势界面的基础上DNN手势识别。SwarmPaint的关键技术是用户能够通过在交互模式之间切换来执行各种任务,而无需额外的设备。两种类型的相互作用,提出并开发调整群体行为:自由形式的轨迹生成控制和成形的编队控制。两个初步的用户研究进行了探索用户的性能和主观体验,从人类群体的互动,通过开发的控制模式。实验结果表明,足够的准确性在轨迹跟踪任务(平均误差为5.6厘米的手势绘制和3.1厘米的鼠标绘制与尺寸为1米乘1米的图案)超过三个评估的轨迹模式和高达7.3厘米的精度在目标任务与两个目标图案的1米实现的SwarmPaint接口。此外,参与者认为轨迹绘制界面比通过手势直接控制形状和位置更直观(12.9%),使用起来更省力(22.7%),尽管其物理工作量和性能失败被认为更重要(分别为9.1%和16.3%)。
2021-06-28 cs.RO
Aggressive Trajectory Generation for A Swarm of Autonomous Racing Drones
Zhejiang University(浙江大学);Zhejiang University of Technology(浙江工业大学);Northwestern Polytechnical University(西北工业大学)
自主无人机竞赛正在成为挑战四旋翼自主技术的绝佳平台,包括规划,导航和控制技术。然而,关于这个主题的大多数研究主要集中在单个无人机场景。在本文中,我们描述了一种新的时间最优轨迹生成方法,用于生成时间最优轨迹,使一群四旋翼飞行器以其最大机动性无碰撞地通过预定义的航路点。我们在Gazebo仿真中验证了该方法,其中5个四旋翼的群可以在35 m * 35 m的空间中以14 m/s的最高速度飞行通过复杂的6路点赛道。在4 m × 2 m的飞行平台上,对两个四旋翼飞行器进行了通过3个航路点的飞行试验,验证了该方法的可行性。仿真和实际飞行测试表明,该方法可以为一群自主竞赛无人机生成最优攻击轨迹。该方法也可以很容易地转移到其他类型的机器人群。
2023-03-01 cs.RO
Swarm Bug Algorithms for Path Generation in Unknown Environments
Swedish Defence Research Agency (FOI)(瑞典国防研究局)
针对未知障碍环境中的群体快速通行问题,提出 SwarmCom、SwarmBug1 和 SwarmBug2,并证明 SwarmBug1 在智能体数量趋于无穷时达到最坏情况性能的紧最优界。
2023-08-17 cs.NE cs.RO cs.SY
Fast and In Sync: Periodic Swarm Patterns for Quadrotors
University of Toronto Institute for Aerospace Studies(多伦多大学航空航天研究所)
本文的目的是设计四旋翼群的性能,群作为一个综合的,协调的单位体现移动和变形的对象。我们将创建编舞的任务分为三个基本步骤:设计群体运动原语,在这些运动之间转换,以及同步无人机的运动。其结果是一个灵活的框架,用于设计由各种各样的动作组成的编排。运动基元可以使用很少的参数直观地设计,为舞蹈设计提供了丰富的库。此外,我们结合和适应现有的目标分配和轨迹生成算法,以最大限度地提高运动原语之间的过渡的平滑度。最后,我们提出了一个校正算法来补偿运动延迟和同步的无人机的运动到一个所需的周期性运动模式。所提出的方法进行了实验验证,通过生成和执行编排上的一群25四旋翼。
2019-05-02 cs.RO
Decentralized Control of Minimalistic Robotic Swarms For Guaranteed Target Encapsulation
Cornell University(康奈尔大学)
我们提出了一个分散控制算法的最低限度的机器人群体与有限的能力,使所需的全球行为出现。我们考虑的问题,搜索和封装存在于环境中的各种目标,同时避免与静态和动态障碍物的碰撞。这项工作的新颖之处是保证生成所需的复杂的群体行为与受约束的个人机器人,没有记忆,没有本地化,没有知识的确切相对位置的邻居。此外,我们分析了如何紧急行为的变化与不同的参数的任务,噪声在传感器读取,和异步执行。
2022-12-18 cs.RO
Thermodynamics-inspired Macroscopic States of Bounded Swarms
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);Washington State University(华盛顿州立大学)
本研究借鉴热力学与流体相似性,提出类比压力、温度和密度的三个宏观属性,描述仅由吸引和排斥作用控制的蜂群行为,并验证其满足理想气体定律及维里方程,以量化蜂群集体行为。
2023-08-29 cs.RO nlin.AO physics.flu-dyn
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
Indirect Swarm Control: Characterization and Analysis of Emergent Swarm Behaviors
George Mason University(乔治梅森大学);University of Utah(犹他大学)
本文提出间接群体控制框架,通过调节环境条件而非局部交互规则来表征和预测涌现群体行为,并结合智能体建模与控制理论推导闭式函数生成相图,揭示可实现特定自组织行为的无限参数组合。
2024-03-29 cs.RO cs.SY eess.SY