Simultaneous Task Allocation and Planning Under Uncertainty
我们提出了新的技术任务分配和规划的多机器人系统在不确定的环境中运行。任务分配与规划同时进行，这提供了有关单个机器人行为的更详细信息，但也利用了任务之间的独立性来有效地完成任务。我们使用马尔可夫决策过程来模拟机器人的行为和线性时序逻辑来指定任务和安全约束。基于形式化验证的技术和工具，我们展示了如何生成一系列的多机器人策略，如果单个机器人失败，则迭代地改进它们以重新分配任务，并提供概率保证机器人团队的性能（和安全操作）。我们实现我们的方法，并评估它的基准多机器人的例子。
2018-08-10 cs.AI cs.RO
Considerations for Task Allocation in Human-Robot Teams
University of Michigan（密歇根大学）
在智能体一起协作的人机团队中，需要向智能体明确分配任务。任务分配可以帮助实现人类-机器人团队的预期利益，例如提高团队绩效。已经提出了许多任务分配方法，包括因素，如代理能力，可用性，工作量，疲劳，任务和域特定的参数。在本文中，选定的工作任务分配进行审查。此外，还讨论了在任务分配中需要继续和进一步考虑的一些领域。这些领域包括协作水平、新任务、未知和动态代理能力、谈判和公平性以及道德。在适当的情况下，我们还提到我们在任务分配方面的一些工作。通过在任务分配方面的持续努力和考虑，可以改善人机协作。
2022-10-06 cs.AI cs.HC cs.RO
Dynamic Human-Robot Role Allocation based on Human Ergonomics Risk Prediction and Robot Actions Adaptation
Istituto Italiano di Tecnologia（意大利技术研究院）；University of Genoa（热那亚大学）；Politecnico di Milano（米兰理工大学）
尽管协作机器人在制造和物流过程中具有很大的潜力，但它们在不断变化的环境中的快速（重新）部署仍然有限。为了能够快速适应新产品的需求，并提高健身的人类工作人员分配的任务，我们提出了一种新的方法，优化装配策略，并在人机合作任务的工人之间分配的努力。合作模型利用与或图，我们也适应解决角色分配问题。该分配算法考虑了在线计算的定量测量，以描述人类操作员的人机工程学状态和任务属性。我们进行了初步的实验，以证明所提出的方法成功地控制任务分配过程，以确保安全和符合人体工程学的条件下的人类工作者。
2023-01-19 cs.AI cs.RO
Intuitive Programming, Adaptive Task Planning, and Dynamic Role Allocation in Human-Robot Collaboration
本综述聚焦人机协作（HRC）中人类被动参与、机器人难适配的问题，识别并连接直观信息交换与技能转移的关键组件，考察交互全流程，为更自适应、易访问的HRC指明趋势与方向。
2025-11-11 cs.AI cs.LG cs.RO
Human-Robot Trust Integrated Task Allocation and Symbolic Motion planning for Heterogeneous Multi-robot Systems
Clemson University（克莱姆森大学）
针对多机器人系统（MRS）并发执行任务的问题，提出了一种人机信任集成的任务分配和运动规划框架。一组并行的任务规范与MRS相结合，合成一个任务分配自动机。任务分配自动机的每一次转换都与人类对相应机器人的总信任值相关联。在这里，人与机器人的信任模型的构建与动态贝叶斯网络（DBN）考虑个人机器人的性能，安全系数，人类认知工作量和任务分配的整体评价。因此，可以基于任务分配自动机中每个机器人的当前信任值来搜索具有最大编码的人-机器人信任的任务分配路径。每个机器人在获得动作序列后，执行符号运动规划（SMP）。任务分配路径可以间歇地更新与此DBN的信任模型。通过5个机器人和3个并行子任务自动机的仿真，证明了整体策略。
2018-10-26 cs.MA cs.RO
Multi-Robot Task Allocation -- Complexity and Approximation
UNSW Sydney（新南威尔士大学悉尼分校）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）；Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）；Hong Kong Polytechnic University（香港理工大学）
多机器人任务分配是机器人领域最基本的问题之一，对于搜索、救援和区域探索等实际机器人应用至关重要。我们考虑单任务机器人和多机器人任务的即时分配（ST-MR-IA）设置，每个任务需要至少一定数量的机器人，每个机器人可以工作在最多一个任务，并招致每个任务的运营成本。我们的目标是考虑一个自然的计算问题分配机器人完成任务的最大数量的预算约束。我们考虑三种不同类型的预算约束：（1）总预算，（2）任务预算，（3）机器人预算。我们提供了一个详细的复杂性分析，包括近似的结果，以及多项式时间算法的一般设置和重要的限制设置。
2021-03-23 cs.AI cs.RO
Towards Practical Multi-Robot Hybrid Tasks Allocation for Autonomous Cleaning
Harbin Institute of Technology（哈尔滨工业大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Science（中国科学院深圳先进技术研究院）；Chongqing University（重庆大学）；Gaussian Robotics（高仙机器人）
本文针对不确定环境下多机器人自主清洁中的混合任务分配问题，提出鲁棒混合整数线性规划模型，构建含100实例的数据集，并通过传统优化与深度强化学习求解器验证了方法的有效性与鲁棒性。
2023-04-04 cs.AI cs.RO
Modified Self-Organized Task Allocation in a Group of Robots
Northwestern University（西北大学）；McCormick School of Engineering（麦考密克工程学院）
本文介绍了一种改进的自组织任务分配算法，其中机器人被分配到拿起两种类型的对象之一。本文还演示了这两种算法，显示传统的自组织任务分配算法的仿真结果和其修改的仿真结果。
2018-08-30 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
Uncertainty-Aware Task Allocation for Distributed Autonomous Robots
New Mexico State University（新墨西哥州立大学）
本文讨论了分布式自主机器人（DAR）的态势感知的任务分配问题与不确定性。任务分配过程中的不确定性传播是通过使用Sigma-Point采样机制的Unscented变换来完成的。它具有很大的潜力，被用于通用的任务分配方案，在这个意义上说，没有必要修改现有的任务分配方法，已开发不考虑的不确定性的态势感知。所提出的框架进行了测试，在模拟环境中，决策者需要确定分配给多个移动飞行机器人的位置来作为已知的均值和协方差的随机变量的多个位置的最优分配。仿真结果表明，所提出的随机任务分配方法产生的分配比不考虑不确定性的总成本减少30%。
2021-07-21 cs.AI cs.RO cs.SY
Distributed Allocation and Scheduling of Tasks with Cross-Schedule Dependencies for Heterogeneous Multi-Robot Teams
University of Zagreb（萨格勒布大学）；Universidad de Sevilla（塞维利亚大学）
为了在日常生活中安全有效地使用多机器人系统，必须开发一种鲁棒且快速的方法来协调它们的动作。在本文中，我们提出了一个分布式任务分配和调度算法的任务中，不同的机器人的任务是紧耦合的时间和优先约束。该方法是基于代表的车辆路径问题的一个变种的问题，并使用分布式元启发式算法的基础上演化计算（CBM-POP）的解决方案。这种方法允许快速和接近最优的分配，因此可以用于在任务变化的情况下进行在线重新规划。仿真结果表明，该方法具有更好的计算速度和可扩展性，而不会损失最优性相比，最先进的分布式方法。规划过程的实际使用情况下，由多机器人系统温室维护的应用。
2021-09-07 cs.AI cs.RO
An Optimal Task Allocation Strategy for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology（佐治亚理工学院）
对于一个团队的异构机器人执行多个任务，我们提出了一种新的算法，以最佳分配任务的机器人，同时考虑到他们的不同能力。出于机器人团队在许多实际应用中长时间保持运行的需要，我们允许每个机器人选择任务，除了任务分配的全局规范之外，还考虑执行任务所消耗的能量。这些任务被编码为每个机器人在每个时间点解决的能量最小化问题中的约束。通过在任务约束中引入松弛变量，可以有效地将任务分配给特定的机器人。此外，某些机器人对某些任务的适应性也被考虑到生成一个任务分配算法的机器人与异构能力的团队。所开发的方法的有效性证明了在模拟和一个团队的真实机器人。
2019-09-02 cs.RO
Incentive-Compatible and Distributed Allocation for Robotic Service Provision Through Contract Theory
New York University（纽约大学）
针对机器人服务中用户需求不确定性与规模扩展问题，提出基于契约理论的激励兼容选择方法，并结合动力学与碰撞避免的分布式分配算法，经八场景仿真验证，分配效率与准确性优于现有方案。
2024-03-15 cs.RO
Task Allocation using a Team of Robots
UNSW Sydney（新南威尔士大学悉尼分校）；Data61, CSIRO（联邦科学与工业研究组织Data61）；Defence Science and Technology Group（国防科学与技术集团）
利用机器人团队或联盟进行任务分配是机器人学、计算机科学、运筹学和人工智能中最重要的问题之一。在最近的工作中，研究集中在处理复杂的目标和可行性约束之间的多机器人任务分配问题的其他变化。在这些方向上有许多重要研究进展的例子。我们提出了一个一般的任务分配问题，概括了几个版本，研究。我们的表述包括机器人的状态、任务以及它们运行的周围环境。我们描述了如何根据可行性约束，目标函数和动态变化的信息水平的问题可以有所不同。此外，我们讨论了现有的解决方案，包括基于优化的方法，和基于市场的方法的问题。
2022-07-20 cs.AI cs.DM cs.MA
Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints
University of Minnesota, Twin Cities（明尼苏达大学双城分校）；Boston University（波士顿大学）
提出双层多机器人框架，在未知转移模型下结合任务分配与分布式策略学习，利用实时执行数据自适应更新完成概率和奖励，并通过理论与仿真验证其满足时间窗时序逻辑的概率阈值。
2025-02-14 cs.AI cs.FL 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
DTRT: Enhancing Human Intent Estimation and Role Allocation for Physical Human-Robot Collaboration
CAS Engineering Laboratory for Intelligent Industrial Vision, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所CAS工程视觉实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对物理人机协作中意图估计与角色分配不足的问题，提出基于双Transformer的分层架构DTRT，融合人类运动与力数据，利用CVAE和微分博弈实现准确预测与动态调整，实验验证其优越性。
2025-05-26 cs.AI cs.RO
Using Trust for Heterogeneous Human-Robot Team Task Allocation
University of Michigan（密歇根大学）
人类-机器人团队有能力在各种任务中比只有人类和机器人的团队表现得更好。然而，如果没有适当的任务分配，这种改进就无法实现。信任是团队关系中的一个重要因素，可以用于任务分配策略。尽管重要性，大多数现有的任务分配策略不包括信任。本文回顾了信任和任务分配的研究。我们还总结和讨论了如何双向信任模型可以用于任务分配策略。双向信任模型表示任务需求和代理的能力，并可以用来预测现有的和新的任务的信任。我们的任务分配方法使用预测的信任代理和预期的总奖励任务分配。最后，我们提出了一些未来工作的方向，包括从人和人的能力的任务分配的信任，并解决任务分歧的谈判阶段。
2021-10-08 cs.RO
Proportional Control for Stochastic Regulation on Allocation of Multi-Robots
University of Pennsylvania（宾夕法尼亚大学）
由于机器人水平的不确定性和环境对机器人行为的影响，任何用于将机器人整体分配到一组顺序任务上的策略都会受到不准确性的影响。我们接近任务分配过程中的不准确性的问题，通过建模和控制整体集成行为。我们的模型表示分配问题作为一个随机跳跃过程，我们调节这样一个过程的均值和方差。本文的主要贡献是：建立一个结构的过渡率的等效随机跳跃过程，并正式表明，这种方法导致解耦的参数，使我们能够调整的一阶和二阶矩的合奏分布的任务，这使得灵活性，以减少所需的最终分布的方差。这使我们能够直接塑造不确定性对任务组分配的影响。我们介绍了一个详细的过程来设计增益，以实现所需的平均值，并显示如何额外的参数影响的协方差矩阵，这是直接与任务分配精度的程度。我们的仿真和实验结果表明，成功地控制几个机器人合奏任务分配。
2022-12-19 cs.RO
Data-Driven Adaptive Task Allocation for Heterogeneous Multi-Robot Teams Using Robust Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）；Optimus Ride
多机器人任务分配是机器人学中一个普遍存在的问题，因为它适用于各种场景。自适应任务分配算法考虑了机器人执行任务的环境中的未知干扰和不可预测的现象。然而，这种自适应性通常是以需要精确的机器人模型知识为代价的，以便评估分配的有效性并在线调整任务分配。因此，环境干扰可以显着降低模型的准确性，这反过来又会对任务分配的质量产生负面影响。在本文中，我们利用高斯过程，微分包含和鲁棒控制障碍函数来学习环境干扰，以保证鲁棒的任务执行。我们展示了一个真正的多机器人系统的实施和所提出的框架的有效性。
2020-11-10 cs.RO cs.SY eess.SY
Task Allocation in Robotic Swarms: Explicit Communication Based Approaches
Institute for Advanced Studies in Basic Sciences（基础科学高级研究所）；University of Zanjan（赞詹大学）
本文研究了一种多机器人协作任务分配问题，其中一个机器人群被部署在一个受限的未知环境中，代表任务的色点数目及其比例未知。机器人应尽可能覆盖这些点，以便进行理想的清洁和采样动作。这意味着他们应该合作发现点，并按点面积成比例传播，避免闲置。我们提出了4个自组织的分布式方法，这些方法被称为混合方法来应对这种情况。在两个不同的实验中的方法的性能进行了分析。我们将它们相互比较，并研究了它们的可扩展性和鲁棒性方面的单点故障。
2015-03-01 cs.AI cs.MA cs.RO
A Task Allocation Framework for Human Multi-Robot Collaborative Settings
Roma Tre University（罗马第三大学）；University of Cassino and Southern Lazio（卡西诺和南拉齐奥大学）
现代生产系统的要求以及更先进的机器人技术促进了由人类和自主机器人组成的团队的整合。然而，随着潜在的好处也来的问题，如何有效地处理这些团队考虑到所涉及的代理的不同特点。为此，本文提出了一个框架，在人类多机器人协作的情况下任务分配。所提出的解决方案结合了最佳离线分配与在线重新分配策略，该策略考虑了离线计划的不准确性和/或不可预见的事件、人的主观偏好以及从一个任务切换到另一个任务的成本，以提高人的满意度和团队效率。实验的情况下，两个机械手与人类操作员合作，执行装箱任务。
2022-10-25 cs.RO
Inverse Risk-sensitive Multi-Robot Task Allocation
University of Southern California（南加利福尼亚大学）
提出IR-MRTA问题，通过Branch & Bound算法从人类建议的分配方案中反求风险模型参数，使贪心分配符合人类偏好，并在目标捕获仿真中显著降低运行时间与峰值内存。
2024-06-14 cs.RO
Learning Policies for Dynamic Coalition Formation in Multi-Robot Task Allocation
Electrical and Computer Engineering, King Abdullah University of Science and Technology (KAUST)（卡奥斯特大学科学与技术学院电气与计算机工程系）；Department of Electrical Engineering, Federal University of Sergipe (UFS)（塞尔希培联邦大学电气工程系）
本文提出一种去中心化学习框架，通过扩展MAPPO并融合空间动作地图、运动规划、意图共享与任务分配修订，实现多机器人动态联盟形成，仿真验证其可扩展性与适应性。
2025-07-16 cs.MA cs.RO
Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints
Stanford University（斯坦福大学）
我们考虑在时间窗约束和任务完成不确定性下，动态地将任务分配给多个智能体的问题。我们的目标是尽量减少在行动范围结束时不成功的任务数量。我们提出了一种多机器人分配算法，该算法将不确定性和多智能体协调下的顺序决策的关键计算挑战解耦，并以分层方式解决它们。较低层使用具有树搜索的动态规划计算各个代理的策略，并且上层解决各个计划中的冲突以获得有效的多代理分配。我们的算法，基于随机分配（SCoBA），是最优的期望和完成在一些合理的假设。在实践中，SCoBA的计算效率足以在线交错规划和执行。在成功完成任务的指标上，SCoBA始终优于许多基线方法，并显示出与具有完全前瞻的Oracle相比具有强大的竞争力。它还可以很好地扩展任务和代理的数量。我们在两个不同的领域进行了广泛的模拟，验证了我们的结果：多臂传送带取放和城市中的多无人机交付调度。
2020-07-25 cs.AI cs.RO
Double Oracle Algorithm for Game-Theoretic Robot Allocation on Graphs
Drexel University（德雷塞尔大学）
针对图上带异质机器人与转移约束的布洛托上校博弈机器人分配问题，提出基于双预言机算法的纳什均衡求解方法，定义循环优势异质机器人转换规则与效用函数并证明正确性，仿真验证了方法在多类场景下的有效性。
2025-03-24 cs.RO
An Approximation Algorithm for a Task Allocation, Sequencing and Scheduling Problem involving a Human-Robot Team
Texas A&M University（得克萨斯农工大学）
本文提出了一个近似算法的任务分配，排序和调度问题，涉及一组人类操作员和机器人。具体而言，我们提出了一个算法的近似比作为人类操作员（$m$）的数量和机器人（$k$）在团队中的数量的函数。当$m=1$、$m\geq k\geq 2$和$k>m\geq 2$时，逼近比分别为$\frac{7}{2} -\frac{5}{2k}$、$\frac{5}{2} -\frac{1}{k}$和$\frac{7}{2} -\frac{1}{k}$。我们还提出了计算结果，以证实所提出的近似算法的性能。
2019-09-11 cs.RO
Multi-Robot Task Allocation for Homogeneous Tasks with Collision Avoidance via Spatial Clustering
IIIT Bhubaneswar（比哈尔邦理工学院）；Dept. of Computer Science（计算机科学系）；Maharaja Sriram Chandra Bhanja Deo University（玛哈拉吉·斯里拉姆·查兰德拉·班贾德欧大学）
提出结合 K-means 与 2-Opt 的空间聚类框架，统一解决工业同质测量任务的 MRTA 与避碰问题，显著降低耗时、提升解质量并消除碰撞。
2025-05-15 cs.AI cs.RO
Very Large-scale Multi-Robot Task Allocation in Challenging Environments via Robot Redistribution
Dept. of Electronic Engineering, Sogang University（电子工程系，ソガン大学）
针对密集障碍和狭窄通道中的超大规模MRTA问题，提出基于广义Voronoi图路线图、组件划分与FIFO push-pop重分配的可扩展方法，以避碰防死锁并最小化makespan。
2025-06-08 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
Communication-Free Distributed Multi-Robot Task Allocation under Partial Observations Using Labeled Multi-Bernoulli Filtering
National Institute of Advanced Industrial Science and Technology (AIST)（国立产业技术综合研究所（AIST））
本文提出一种基于局部观测和标记多伯努利滤波的无通信多机器人任务分配框架，通过贪婪拍卖策略实现分布式协调，蒙特卡洛仿真验证了其在杂波和不确定性下的有效性。
2026-10-01 cs.RO cs.SY eess.SY
"Grip-that-there": An Investigation of Explicit and Implicit Task Allocation Techniques for Human-Robot Collaboration
University of Toronto（多伦多大学）
在ad-hoc人机协作（HRC）中，人类和机器人在执行任务之前不预先规划机器人的动作;相反，任务分配实时发生。然而，以前的研究主要集中在预先计划的任务分配-没有一个全面的探索或评估的技术，任务分配是实时调整。受HCI领域性和语义学研究的启发，我们提出了一个新的任务分配技术的设计空间，包括显式技术，用户保持代理，和隐式技术，自动化的效率可以被利用。该技术的实施和评估使用桌面HRC模拟VR。一项16名参与者的研究，提出了一个协作块堆叠任务的变化，表明隐式技术，使有效的任务完成和任务并行化，并应增加明确的机制，为用户提供细粒度的控制。
2021-02-03 cs.HC cs.RO
Validation of computer simulations of the HyQ robot
Istituto Italiano di Tecnologia（意大利技术研究院）
这份简短的技术报告说明了我们为验证HyQ机器人的计算机模拟而执行的测试程序的结果。
2016-04-22 cs.RO
Hypergraph-based Coordinated Task Allocation and Socially-aware Navigation for Multi-Robot Systems
Purdue University（普渡大学）
本文提出Hyper-SAMARL，一种基于超图和多智能体强化学习的多机器人任务分配与社会感知导航框架，通过超图扩散机制建模人机环境动态，在模拟实验中优于基线方法。
2025-03-07 cs.MA cs.RO
Task Allocation for Multi-Robot Task and Motion Planning: a case for Object Picking in Cluttered Workspaces
Department of Informatics, Bioengineering, Robotics, and Systems Engineering, University of Genoa（热那亚大学信息学、生物工程、机器人与系统工程系）
我们提出了一个与/或图为基础的，集成的多机器人任务和运动规划的方法，（一）执行任务分配协调活动的一个给定数量的机器人，（ii）是能够处理任务，涉及一个先验未知数量的对象重新安排，如那些参与检索对象从杂乱的机器人。例如，在搜索和救援场景中，当定位/拾取杂乱的感兴趣对象时，可能会出现这种情况。相应的问题属于杂乱规划的范畴。在杂波中进行规划时的挑战之一是，通常事先不知道拾取目标对象所需的对象重新布置的数量。此外，这样的任务可以以各种方式分解，因为不同的杂乱对象重新布置可能到达目标对象。在我们的方法中，任务分配和分解是通过最大化的组合效用函数。分配的任务由一个集成的任务和运动规划器，这是强大的要求未知数量的重新安排任务。我们证明了我们的结果与实验模拟两个FrankaReplika机械手。
2021-10-08 cs.AI cs.RO
Encouraging Human Interaction with Robot Teams: Legible and Fair Subtask Allocations
Virginia Tech（弗吉尼亚理工大学）
最近的作品探索了人类和机器人团队之间的合作。如果人类已经与机器人团队合作，这些方法是有意义的;但是机器人首先应该如何鼓励附近的人类加入他们的团队？受行为经济学的启发，我们认识到人类关心的不仅仅是团队效率--人类对团队动态也有偏见和期望。我们的假设是，包容性机器人划分任务的方式（即，机器人如何将较大的任务分解为子任务分配）对于人类伙伴来说应该是清晰和公平的。在本文中，我们介绍了一种双层优化方法，使机器人团队能够识别高层次的子任务分配和低层次的轨迹，优化易读性，公平性，或两者的组合目标。然后，我们在人类观看或与机器人团队一起玩的研究中测试了我们的算法。我们发现，我们生成清晰团队的方法使人类的角色变得清晰，而且人类通常更喜欢加入清晰团队并与之合作，而不是只为效率而优化的团队。将公平性与易读性结合起来进一步鼓励参与：当人类与机器人一起玩时，我们发现他们更喜欢（可能效率低下的）子任务或努力被平均分配的团队。在这里观看我们的研究视频https://youtu.be/cfN7O5na3mg
2022-05-06 cs.RO
Task Allocation and Coordinated Motion Planning for Autonomous Multi-Robot Optical Inspection Systems
University of Shanghai for Science and Technology（上海理工大学）；Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
自主多机器人光学检测系统越来越多地应用于过程监测和质量控制中的在线测量。许多方法的路径规划和机器人协调已开发的静态和动态环境，并应用于不同的领域。然而，这些方法可能不适用于自主多机器人光学检测系统，由于在线优化的快速计算要求，机器人末端执行器方向的独特特性，以及复杂的大规模自由形式的产品表面。提出了一种新的多机器人检测协调运动规划任务分配方法。具体而言，（1）提出了一种局部鲁棒检测任务分配方法，以实现机器人之间高效、均衡的测量分配;（2）通过机器人坐标空间的动态搜索和冲突机器人中探针位姿或局部路径的扰动，实现无碰撞路径规划和协调运动规划。案例研究表明，该方法可以降低机器人与环境之间的碰撞风险，解决机器人之间的冲突，并减少检查周期时间显着和一致。
2021-06-15 cs.RO cs.SY eess.SY
Behavior Tree Capabilities for Dynamic Multi-Robot Task Allocation with Heterogeneous Robot Teams
FZI Research Center for Information Technology（FZI信息技术研究中心）
针对异构机器人团队动态任务分配问题，提出基于行为树的能力建模与运行时拍卖分配系统，提升任务执行质量与团队灵活性。
2024-02-05 cs.RO
Correlation Clustering Based Coalition Formation For Multi-Robot Task Allocation
University of North Florida（北佛罗里达大学）；East Central University（东中央大学）
本文研究了多机器人任务分配问题，其中一组机器人需要被分配到一组任务，以便任务可以最优地完成。一个任务可能需要多个机器人来完成，因此机器人需要组成联盟来完成这些任务。多机器人联盟形成任务分配问题是一个著名的NP难题。为了解决这个问题，我们使用了一个线性规划为基础的图形分区方法，以及区域增长策略，分配（近）最佳的机器人联盟的任务在一个可以忽略不计的时间。我们提出的算法是快速的（只需要230秒。对于100个机器人和10个任务），它还找到了一个接近最优的解决方案（最优的97.66%）。我们已经经验证明，本文提出的方法总是找到一个解决方案，这是更接近（高达9.1倍）的最优解比理论上的最坏情况下的约束证明在早期的工作。
2018-05-20 cs.MA cs.RO
Allocation for Omnidirectional Aerial Robots: Incorporating Power Dynamics
Autonomous Systems Lab (ASL), ETH Zurich（苏黎世联邦理工学院自主系统实验室）
本文提出三种新型多方向空中机器人分配方法，通过考虑冗余性和动力学，提升动态 maneuver 的执行效率和轨迹跟踪速度。
2026-04-10 cs.RO
A Local Information Aggregation based Multi-Agent Reinforcement Learning for Robot Swarm Dynamic Task Allocation
Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学上海智能自主系统研究院）；Shanghai Institute of Intelligent Science and Technology, Tongji University（同济大学上海智能科学技术研究院）
针对动态环境下机器人群的任务分配优化问题，提出融合CTDE的LIA_MADDPG算法，通过LIA模块提升决策效率，实证表明其可无缝集成到多种MARL方法中，且在多维度性能上优于传统算法。
2024-11-29 cs.AI cs.MA cs.RO
Energy-Aware Task Allocation for Teams of Multi-mode Robots
Institute of Science Tokyo（科学东京大学）；University of Waterloo（滑铁卢大学）
针对可在飞行、行驶、行走等模式间切换的机器人团队，提出能量感知的图编码与约束优化任务分配框架，并给出运动学和动力学模型下的收敛充分条件。
2025-03-17 cs.MA cs.RO cs.SY
Analysis of Dynamic Task Allocation in Multi-Robot Systems
动态任务分配是多机器人系统在未知动态环境中工作的基本要求。它允许机器人响应环境变化或其他机器人的动作来改变其行为，以提高整体系统性能。紧急协调算法的任务分配，只使用本地传感器和机器人之间没有直接的通信是有吸引力的，因为它们是强大的和可扩展的。然而，缺乏正式的分析工具，使紧急协调算法难以设计。在本文中，我们提出了一个一般的动态任务分配机制的数学模型。使用这种机制的机器人必须在两种类型的任务之间进行选择，目标是在没有明确的通信和全局知识的情况下实现所需的任务分工。机器人从重复的局部观察中估计环境的状态，并根据这些观察决定选择哪个任务。我们将机器人和观测建模为随机过程，并研究集体行为的动力学。具体来说，我们分析了观测的数量和决策函数的选择对系统性能的影响。在多机器人多觅食场景中验证了数学模型。该模型的预测与基于传感器的模拟实验结果非常接近。
2006-04-27 cs.MA cs.RO
Efficient Task Allocation in Smart Warehouses with Multi-delivery Stations and Heterogeneous Robots
Federal University of Santa Catarina（圣卡塔琳娜联邦大学）；University of Oulu（奥卢大学）
多机器人系统中的任务分配问题是一个NP难问题，其可行解通常采用启发式算法求解。考虑到对物流改进的需求日益增加，使用机器人来提高物流仓库的效率正在成为一种需求。在智能仓库中，主要任务包括使用一组自动拣选和移动机器人，这些机器人通过从货架上的一组订单中拣选物品并将其放在配送站来进行协调。多机器人任务分配的复杂性通常有两个方面：（i）环境方面，例如多个交付站和分散的机器人（因为它们保持恒定运动）和（ii）车队异质性，其中机器人的交通速度和容量负载彼此不同。尽管这些特性在文献中已经被广泛研究，但它们通常被单独研究。针对具有多配送站和异构车队的智能仓库，提出了一种可扩展的高效任务分配算法。我们的策略采用了一种新的成本估计器，它计算成本作为机器人的可变特性和能力的函数，而他们接受新的任务。为了验证该策略，进行了一系列实验，模拟具有多个交付站和异质车队的智能仓库的操作。结果表明，我们的策略生成的路由成本高达$33$ \%以下的一个国家的最先进的任务分配算法生成的路由和$96$ \%更快的测试实例，代表我们的目标场景。考虑到单配送站和非分散机器人，我们将机器人数量减少了$18$ \%，分配任务的速度加快了$92$ \%，并生成了成本与最先进算法生成的路线在统计上相似的路线。
2022-02-28 cs.RO
A Mixed-Integer Linear Programming Formulation for Human Multi-Robot Task Allocation
Roma Tre University（罗马第三大学）；University of Cassino and Southern Lazio（卡西诺与南拉齐奥大学）
在这项工作中，我们解决了人类多机器人设置的任务分配问题。给定一组要执行的任务，我们制定了一个一般的混合线性规划（MILP）问题，旨在最大限度地减少整体执行时间，同时优化执行任务的质量以及人类和机器人的工作量。代理人，人类和机器人的不同技能，被考虑在内，人类操作员能够直接执行任务或发挥监督作用;此外，如果需要执行任务，多个操纵器可以紧密合作。最后，作为人类环境中的现实，假设人类参数随时间变化，例如，由于人类疲劳程度的增加。因此，需要进行在线监测，并在需要时进行重新分配。仿真在一个现实的情况下，两个机械手和一个人类操作员执行装配任务验证了该方法的有效性。
2021-06-12 cs.RO
Consensus-based Fast and Energy-Efficient Multi-Robot Task Allocation
Indian Institute of Technology Bhubaneswar（印度理工学院布巴内斯瓦尔分校）；TCS Research（塔塔咨询服务公司研究院）
在一个多机器人系统中，将任务适当地分配给各个机器人是非常重要的组成部分。集中式基础设施的可用性可以保证任务的最佳分配。然而，在许多重要的场景中，如搜索和救援、勘探、灾害管理、战场等，以分散的方式将动态任务动态分配给机器人是唯一可能的选择。机器人之间的有效通信在任何这种分散的环境中都起着至关重要的作用。现有的分布式多机器人任务分配（MRTA）的工作要么假设网络是可用的，或者使用一个天真的通信范式。相反，在大多数情况下，网络基础设施要么不稳定，要么不可用，ad-hoc网络是唯一的手段。在无线传感器网络（WSN）/物联网（IoT）应用等自组织网络中，基于同步传输（ST）的无线通信协议的最新发展被证明比传统的基于异步传输的协议更有效。目前的工作是第一次努力，利用ST的MRTA。具体来说，我们提出了一种算法，有效地适应ST为基础的多对多的互动，并尽量减少信息交换，以达成共识的任务分配。我们展示了所提出的算法的有效性，通过广泛的基于模拟的研究，其延迟和能源效率在不同的设置。
2022-09-21 cs.NI cs.RO
Multi-Robot Task Allocation using Global Games with Negative Feedback: The Colony Maintenance Problem
Old Dominion University（老道明大学）
本文提出一种基于全局博弈的负反馈机制，解决多机器人殖民地维护任务分配问题，避免正反馈导致的级联故障，并通过仿真验证其韧性。
2024-12-17 cs.RO
Autonomous Robotic Swarms: A Corroborative Approach for Verification and Validation
University of Bristol（布里斯托尔大学）；The University of Manchester（曼彻斯特大学）
针对自主机器人集群涌现行为的安全保证难题，提出一种结合宏观形式化建模、低保真与高保真仿真及真实机器人实验的印证式验证与确认方法，以增强证据可信度。
2025-02-28 cs.AI cs.RO
Adaptive Task Allocation for Heterogeneous Multi-Robot Teams with Evolving and Unknown Robot Capabilities
Georgia Institute of Technology（佐治亚理工学院）；CCDC Army Research Laboratory（美国陆军研究实验室）
对于具有异构能力的多机器人团队，典型的任务分配方法根据机器人执行某些任务的适合性以及任务本身的要求将任务分配给机器人。然而，在机器人团队的实际部署中，机器人的适用性可能在部署之前是未知的，或者可能由于环境条件的变化而变化。本文提出了一种自适应的任务分配和任务执行框架，它允许单个机器人之间的优先级任务，同时明确考虑到他们的效率在执行任务-其参数可能是未知的部署前和/或可能会随着时间的推移而变化。这样一个\emph{specialization}参数-编码一个给定的机器人对一个任务的有效性-是动态更新的，允许我们的算法重新分配机器人之间的任务，目的是执行它们。开发的框架不需要明确的模型变化的环境或未知的机器人的能力-它只考虑到机器人在完成任务的进展。仿真和实验表明，所提出的方法在环境条件的变化，当机器人的能力是未知的部署前的有效性。
2020-03-06 cs.RO cs.SY eess.SY
Energy-Aware Multi-Robot Task Allocation in Persistent Tasks
University of Georgia（佐治亚大学）
群体机器人执行觅食任务的适用性受到其紧凑的尺寸和成本的启发。执行这些任务需要大量的能量，特别是如果任务是连续的和/或重复的。在现实世界中，机器人在保持生存（生存能力）和最大化生产（性能）的同时连续执行任务，这需要能量意识。本文提出了一种节能的分布式任务分配算法来解决连续任务（例如，无限制的觅食），以实现高效的任务合作机器人。我们认为效率是机器人在探索和收集食物时返回收集箱所消耗的能量的函数。最后，所提出的节能算法最大限度地减少了总的运输时间充电站和充电时消耗的时间，并最大限度地提高机器人的寿命，以执行最大的任务，以提高协作机器人的整体效率。我们针对典型的贪婪基准测试策略（将最近的收集箱分配给可用机器人并最大限度地为机器人充电）评估了所提出的解决方案在各种情况下的效率和性能。与基线方法相比，所提出的方法显著提高了性能和效率。
2021-12-31 cs.RO
Learning Locally, Communicating Globally: Reinforcement Learning of Multi-robot Task Allocation for Cooperative Transport
Toyota Motor Corporation（丰田汽车公司）；Nara Institute of Science and Technology（奈良科学技术研究所）
我们考虑任务分配多对象运输使用多机器人系统，其中每个机器人选择一个对象之间的多个对象具有不同的和未知的权重。现有的集中式方法假设机器人和任务的数量是固定的，这不适用于与学习环境不同的场景。同时，现有的分布式方法将机器人和任务的最小数量限制为恒定值，使得它们适用于各种数量的机器人和任务。然而，它们不能运输重量超过观察物体的机器人的负载能力的物体。为了使其适用于不同数量的机器人和对象的不同和未知的权重，我们提出了一个框架，使用多智能体强化学习任务分配。首先，我们介绍了一个结构化的政策模型，包括1）预先设计的动态任务优先级与全球通信和2）一个基于神经网络的分布式政策模型，确定协调的时机。分布式策略在局部观察下对高优先级对象建立共识，并选择合作或独立的行动。然后，通过试验和错误的多智能体强化学习的策略进行优化。这种局部学习和全局通信的结构化策略使我们的框架适用于不同数量的机器人和具有不同和未知权重的对象，如数值模拟所示。
2022-12-06 cs.RO
UWB Role Allocation with Distributed Ledger Technologies for Scalable Relative Localization in Multi-Robot Systems
University of Turku（图尔库大学）
基于超宽带（UWB）测距的多机器人系统相对定位系统最近成为GNSS拒绝环境的鲁棒解决方案。可扩展性仍然是关键挑战之一，特别是在ad-hoc部署中。最近的解决方案包括系统中不同机器人或节点的主动和被动定位模式的动态分配。随着大规模系统变得更加分布式，关键的研究问题出现在这些本地化系统的安全性和可信度的领域。本文研究了协作决策过程与分布式账本技术的潜在集成。具体来说，我们研究了在区块链中的智能合约中运行UWB角色分配算法的方法的设计和实现。在之前的工作中，我们分别研究了ROS 2与Hyperledger Fabric区块链的集成，并引入了一种新的基于UWB的可扩展本地化算法。在本文中，我们扩展了这些工作（i）运行实验与大量的移动机器人之间切换不同的空间配置和（ii）集成的动态UWB角色分配算法到织物智能合约的分布式决策系统中的多个移动机器人。这使我们能够在安全和可信赖的流程中提供相同的功能，并增强身份和数据访问管理。我们的研究结果显示了UWB角色分配对于六个自主移动机器人的连续变化的空间编队的有效性，同时证明了添加区块链层对延迟和计算资源的影响很小，不会影响本地化过程。
2022-08-29 cs.RO
Multi-robot Task Allocation and Path Planning with Maximum Range Constraints
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学 cyber-system 控制研究所）；Polytechnic Institute of Zhejiang University（浙江大学理工学院）；Ocean College, Zhejiang University（浙江大学海洋学院）；Institute of Intelligent and Software Technology, Hangzhou Dianzi University（杭州电子科技大学智能与软件技术研究所）
针对大型工作空间中多机器人受最大航程限制的问题，提出集成快速路径规划、航程感知拍卖与惰性拍卖策略的 RangeTAP 方法，并通过仿真和真实实验验证其有效性。
2024-09-10 cs.RO
Optimal Algorithm Allocation for Robotic Network Cloud Systems
C4-Cloud Computing Competence Center（C4云计算能力中心）；Universidade da Beira Interior（贝拉内格罗大学）；NOVA LINCS（NOVA LINCS实验室）
机器人网络是由多个机器人通过通信网络连接的系统。某些无法用可用机器人资源完成的任务是使用云机器人的候选者，云机器人通过向网络添加本地或远程服务器或云基础设施来克服机器人网络的限制，以帮助计算要求高的任务或存储。以往的研究主要集中在通过事先知道资源分配来最小化机器人获取资源的成本。我们为机器人网络云系统开发了一种方法，该系统包括机器人，雾和云节点，以确定每个算法应该分配到哪里，以便系统实现最佳性能，无论哪个机器人发起请求。我们可以找到机器人所需的最小内存和最佳方式来分配算法，以最短的时间完成每个任务。我们实验比较我们的方法与最先进的方法，使用真实世界的数据，显示可以获得的改进。
2022-05-27 cs.RO
