Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control
Oregon State University（俄勒冈州立大学）
本研究提出去中心化物体中心控制方法，通过局部附着区域与双臂捏合，实现多仿人机器人协作拾取运输，并验证了从单机器人到多机器人的迁移及仿真到现实的可行性。
2026-09-17 cs.AI cs.RO
Learning to Cooperate with Unseen Agent via Meta-Reinforcement Learning
Vidyasirimedhi Institute of Science and Technology（威迪亚西里梅迪科学技术研究所）
特设团队合作问题描述的情况下，一个代理人必须与以前看不见的代理人合作，以实现一个共同的目标。为了使代理在这些场景中取得成功，它必须具有适当的合作技能。人们可以通过使用领域知识来设计代理的行为，将合作技能实现到代理中。然而，在复杂的领域，领域知识可能是不可用的。因此，如何从数据中直接学习合作技能是值得探讨的。在这项工作中，我们应用Meta强化学习（元RL）制定的背景下，特设团队合作的问题。我们的实证结果表明，这样的方法可以产生强大的合作代理在两个合作环境不同的合作情况：社会顺应性和语言解释。(This是扩展抽象版本的全文。）
2021-11-05 cs.AI cs.LG cs.MA
Multi-UAV Planning for Cooperative Wildfire Coverage and Tracking with Quality-of-Service Guarantees
Georgia Institute of Technology（佐治亚理工学院）
近年来，研究人员委托机器人和无人机（无人机）团队进行准确的在线野火覆盖和跟踪。虽然大多数先前的工作集中在这种多机器人系统的协调和控制上，但迄今为止，这些UAV团队还没有被赋予推理火灾轨迹的能力（即，位置和传播动态）以在时间范围上提供性能保证。受空中野火监测问题的启发，我们提出了一个预测框架，该框架使多无人机团队能够在概率性能保证的情况下进行合作，以实现协作的现场覆盖和火灾跟踪。我们的方法使无人机推断的潜在火灾传播动力学的时间延长的协调在安全关键条件。我们推导出一组新的，分析的时间，和跟踪误差的界限，使无人机团队分配其有限的资源，并根据情况下的特定估计状态覆盖整个火灾区域，并提供概率性能保证。我们的结果不仅限于空中野火监测的案例研究，一般适用于问题，如搜索和救援，目标跟踪和边境巡逻。我们评估我们的方法在模拟和演示的物理多机器人测试平台上的建议框架，以考虑到真正的机器人动力学和限制。我们的定量评估验证了我们的方法的性能，分别比最先进的基于模型和强化学习基准测试的跟踪误差小7.5倍和9.0倍。
2022-06-21 cs.AI cs.RO cs.SY
Multi-Quadruped Cooperative Object Transport: Learning Decentralized Pinch-Lift-Move
Collaborative Robotics and Intelligent Systems Institute (CoRIS)（协作机器人与智能系统研究所）
本研究提出了一种去中心化方法，通过共享策略参数和隐含同步提示实现多足机器人协同运输，无需通信或集中控制。
2026-03-09 cs.RO
Networked Agents in the Dark: Team Value Learning under Partial Observability
INESC-ID/Instituto Superior Técnico（INESC-ID/高等技术学院）；PUC-Rio（里约天主教大学）
针对网络化智能体在部分可观测下的协作问题，提出基于共识机制与梯度下降的分布式MARL方法DNA-MARL，在基准场景中性能优于现有方法，拓展了现实应用范围。
2025-01-15 cs.AI cs.LG cs.MA
Learning When to Cooperate Under Heterogeneous Goals
本文提出了一种基于模仿与强化学习分层结合的方法，用于在异质目标下学习何时合作，以提升在异质开放环境中的协作性能。
2026-03-07 cs.AI cs.MA
Negotiating Team Formation Using Deep Reinforcement Learning
DeepMind（深度思维）
当自主智能体在同一环境中交互时，它们必须经常合作以实现它们的目标。Agent有效合作的一种方式是组建团队，就联合计划达成具有约束力的协议，并执行该协议。然而，当Agent是自利的时，团队组建的收益必须适当分配以激励协议。已经提出了用于多代理协商的各种方法，但通常仅适用于特定的协商协议。更通用的方法通常需要人工输入或特定领域的数据，因此无法扩展。为了解决这个问题，我们提出了一个框架，用于训练代理商使用深度强化学习进行谈判和组建团队。重要的是，我们的方法对特定的谈判协议没有任何假设，而是完全由经验驱动的。我们评估了我们在非空间和空间扩展团队组建谈判环境中的方法，证明我们的代理击败了手工制作的机器人，并达到了与合作博弈论预测的公平解决方案一致的谈判结果。此外，我们研究了代理的物理位置如何影响谈判结果。
2020-10-20 cs.AI cs.LG cs.MA
A Descriptive Model of Robot Team and the Dynamic Evolution of Robot Team Cooperation
目前，多机器人领域的机器人团队协作研究还处于定性分析阶段，缺乏能够定量描述任务需求不断变化时团队协作关系动态演化的描述模型。首先从整体上静态描述了机器人团队的组织模型HWROM，然后借鉴马尔可夫过程和贝叶斯定理，动态描述了团队协作关系的建立。最后从合作实体层、能力层和关系层三个层次研究了团队的形成和合作机制，并讨论了在演化过程中如何优化关系动作集。提出并描述了机器人团队的动态演化模型和团队间的协作关系，不仅可以从整体上概括机器人团队，而且可以定量描述机器人团队的动态演化过程。用户还可以根据该模型对机器人团队的协作关系和遇到新需求时的行动进行预测。期刊网页和大量机器人相关论文www.ars-journal.com
2006-01-14 cs.RO
TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size
Garena；Sea AI Lab；National University of Singapore（新加坡国立大学）
TeamHOI通过统一策略实现任意团队规模的协作人-物体交互，采用Transformer网络和对抗运动先验策略提升协作行为的物理合理性和多样性。
2026-03-09 cs.CV cs.GR cs.MA
Toward Real-World Cooperative and Competitive Soccer with Quadrupedal Robot Teams
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）；Zhejiang University（浙江大学）；Shanghai Qi Zhi Institute（上海期智研究院）
本研究提出分层多智能体强化学习框架，结合底层运动控球技能与高层MAPPO+FSP战略策略，实现四足机器人自主足球竞技，经消融实验验证优势并完成真实场景部署。
2025-08-30 cs.AI cs.RO
Iterated Reasoning with Mutual Information in Cooperative and Byzantine Decentralized Teaming
Georgia Institute of Technology（佐治亚理工学院）
信息共享是建立团队认知的关键，有助于协调和合作。高绩效的人类团队还受益于通过迭代沟通和合理化的层次结构进行战略性行动，这意味着人类代理可以在决策中推理队友的行为。然而，在多智能体强化学习（MARL）的大多数先前的工作不支持迭代合理化，只鼓励智能体通信，导致一个次优的平衡合作策略。在这项工作中，我们表明，重新制定代理的政策是有条件的政策，其相邻的队友固有的最大化互信息（MI）下限时，优化下策略梯度（PG）。有限理性和认知层次理论下的决策思想的基础上，我们表明，我们修改后的PG方法不仅最大限度地提高本地代理人的奖励，但也隐含的原因MI代理之间，而不需要任何明确的ad-hoc正则化条款。我们的方法InfoPG在学习紧急协作行为方面优于基线，并在分散式合作MARL任务中设置了最先进的技术。我们的实验验证了实用的InfoPG实现更高的样本效率和显着更大的累积奖励在几个复杂的合作多智能体域。
2022-06-24 cs.AI cs.LG cs.MA
Scratch Team of Single-Rotor Robots and Decentralized Cooperative Transportation with Robot Failure
Toyota Motor Corporation（丰田汽车公司）
本文提出一种面向多单旋翼机器人的去中心化协同运输控制器，通过反馈与非线性控制器并联结构，实现对载荷形状、质量与质心波动及机器人故障的鲁棒性，并通过仿真和三类机器人团队实验验证了异构机器人协同运输的有效性。
2025-05-06 cs.RO
Cooperative Receding Horizon 3D Coverage Control with a Team of Networked Aerial Agents
KIOS Research and Innovation Centre of Excellence (KIOS CoE)（KIOS研究与创新卓越中心）；University of Cyprus（塞浦路斯大学）
本研究针对多空中智能体三维物体协同覆盖问题，提出滚动时域控制方法，通过将可见性约束转化为逻辑约束嵌入混合整数优化，联合优化运动与相机输入并减少重复作业。
2024-01-28 cs.RO
Cooperative Indoor Exploration Leveraging a Mixed-Size UAV Team with Heterogeneous Sensors
CTU Czech Technical University（捷克技术大学）
本文提出一种混合尺寸异构传感器无人机团队的室内探索方法，结合贪心与最小成本流两种任务分配策略，并利用SphereMap进行可达性评估与避碰路径生成，经仿真和实机实验验证。
2025-06-03 cs.RO
It Takes Two: Learning to Plan for Human-Robot Cooperative Carrying
Stanford University（斯坦福大学）
合作表携带是一个复杂的任务，由于连续性的行动和状态空间，多模态的战略，并需要即时适应其他代理。在这项工作中，我们提出了一种方法来预测现实的运动计划合作的人类机器人团队的任务。使用变分递归神经网络（VRNN）来模拟人类-机器人团队随时间的轨迹变化，我们能够捕获团队未来状态的分布，同时利用来自交互历史的信息。我们的方法的关键是利用人类演示数据来生成在测试期间以后退地平线方式与人类协同的轨迹。基线，基于采样的规划器RRT（快速探索随机树）和VRNN规划器在集中式规划之间的比较表明，VRNN生成的运动比RRT更类似于人-人演示的分布。一项人在回路用户研究的结果表明，VRNN规划器在任务相关指标上的表现优于分散式RRT，并且比RRT规划器更容易被视为人类。最后，我们展示了VRNN规划器上的一个真正的机器人配对与人类遥控另一个机器人。
2023-03-07 cs.AI cs.RO
Nanorobot queue: Cooperative treatment of cancer based on team member communication and image processing
尽管纳米机器人已经被用作胃镜检查等工作的临床处方，甚至有人提出利用光声断层扫描技术控制纳米机器人在指定的投放点实时的投放药物，也有通过纳米机器人消除血液中“超级细菌”的案例，但大多数技术都不成熟，要么效率低，要么准确度低，要么无法大规模生产，所以在这个阶段治疗癌症最有效的方法就是化疗和放疗。病人痛苦不堪，无法治愈。因此，本文提出了一种可以彻底治愈癌症的治疗方法的理想模型，即通过团队成员通信和计算机视觉图像分类（目标检测）的基于纳米机器人队列的协同治疗方法。
2022-04-15 cs.CV cs.LG cs.RO
Artificial Intelligence and Systems Theory: Applied to Cooperative Robots
本文介绍了一种方法来设计人口的合作机器人的概念借用系统理论和人工智能的基础上。这项研究是在里斯本系统和机器人研究所（ISR/IST）的智能系统实验室进行的SocRob项目下开发的。该项目的首字母缩写代表“机器人社会”和“足球机器人”，我们正在测试我们的机器人种群的案例研究。设计足球机器人是一个非常具有挑战性的问题，机器人不仅要将球射向球门，还要检测和避免静态（墙壁，停止机器人）和动态（移动机器人）障碍物。此外，他们必须合作击败对手。我们过去和现在在足球机器人方面的研究包括用于世界建模的协作传感器融合，对象识别和跟踪，机器人导航，多机器人分布式任务规划和协调，包括合作和对抗环境中的协作强化学习，以及用于协作机器人团队实时的任务执行的基于行为的体系结构。
2004-11-08 cs.AI cs.RO
Multi-Vehicle Cooperative Control Using Mixed Integer Linear Programming
我们提出的方法来综合多车辆控制问题的合作策略，使用混合整数线性规划。复杂的多车辆控制问题被表示为混合逻辑动态系统。这些系统的最优策略，然后解决使用混合整数线性规划。我们激励的方法来自两队机器人之间的对抗性游戏的问题，称为RoboFlag。我们假设一个团队的策略是固定的，并由状态机控制。其他团队的策略是使用我们的方法生成的。最后，我们进行了一个平均情况下的计算复杂性研究我们的方法。
2005-01-31 cs.AI cs.MA cs.RO
Capability-aware Task Allocation and Team Formation Analysis for Cooperative Exploration of Complex Environments
Stanford University（斯坦福大学）；NASA Jet Propulsion Laboratory（美国国家航空航天局喷气推进实验室）；California Institute of Technology（加州理工学院）
针对复杂环境多机器人协同探索的自主部署需求，提出基于MDP的异质能力机器人任务分配与团队建模方法，在SubT挑战赛场景验证效果并分析团队设计权衡。
2024-11-01 cs.RO
Asynchronous Training of Mixed-Role Human Actors in a Partially-Observable Environment
M.I.T. Lincoln Laboratory（麻省理工学院林肯实验室）；MetaTeq Inc.（MetaTeq公司）；Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种人类团队协作异步训练范式，通过自主队友替代人类进行训练，并引入了一种基于轨迹聚类简化实验的新颖设计，为未来利用机器人替代人类队友的协作异步训练系统提供了设计建议。
2024-12-23 cs.HC cs.MA cs.RO
Cooperative Payload Estimation by a Team of Mocobots
Department of Mechanical Engineering, Center for Robotics and Biosystems, Northwestern University（机械工程系、机器人与生物系统中心、西北大学）；Center for Robotics and Biosystems, Department of Electrical and Computer Engineering, Northwestern Institute on Complex Systems, Northwestern University（机器人与生物系统中心、电气与计算机工程系、复杂系统研究所、西北大学）；Department of Mechanical Engineering, Center for Robotics and Biosystems, Northwestern Institute on Complex Systems, Northwestern University（机械工程系、机器人与生物系统中心、复杂系统研究所、西北大学）
针对移动机器人协作操作中需探明负载附着位置、质量及惯性特性的问题，提出利用抓取点的旋量、旋量导数与力旋量数据估计相关参数的方法，并通过三台mocobot实验验证有效性。
2025-08-01 cs.RO
Multi-Robot Open Adaptive Teaming Across Unseen Environments, Partners, and Scales
Shanghai Jiao Tong University（上海交通大学）；Sun Yat-sen University（中山大学）；National University of Singapore（新加坡国立大学）；Genisom AI；University of Bristol（布里斯托大学）；Purdue University（普渡大学）；Newcastle University（新castle大学）
研究多机器人在未知环境、伙伴及规模下的协作，提出超图形式博弈公式，开发HOLA算法，能在训练中扩展多样性，在多平台实验中性能优于基线，策略可直接部署到硬件。
2026-07-07 cs.AI cs.RO
HOLA-Drone: Hypergraphic Open-ended Learning for Zero-Shot Multi-Drone Cooperative Pursuit
The University of Manchester（曼彻斯特大学）；Sun Yat-sen University（中山大学）；Shanghai Jiao Tong University（上海交通大学）；Purdue University（普渡大学）
本文提出HOLA-Drone超图开放式学习算法，将零样本协调研究从双人游戏扩展到多无人机协同追捕场景，通过超图博弈建模持续调整学习目标，实验证明其在未知队友协调中优于基线方法并具备真实系统可行性。
2024-10-01 cs.AI cs.RO
Cooperative and Distributed Reinforcement Learning of Drones for Field Coverage
University of Nevada, Reno（内华达大学里诺分校）；NASA Ames Research Center（NASA艾姆斯研究中心）
提出了一种分布式多智能体强化学习（MARL）算法。建议的MARL算法允许无人机合作学习，以提供一个完整的覆盖范围的未知领域的兴趣，同时最大限度地减少重叠部分之间的视野。本文讨论了MARL中的两个挑战：首先，无人机团队联合行动的复杂动态，将使用博弈论相关均衡来解决;其次，将使用有效的函数逼近技术来解决高维状态空间表示的挑战。我们还提供了我们的实验结果详细的仿真和物理实现，以表明无人机团队可以成功地学习完成任务。
2018-09-16 cs.RO
Autonomous Cooperative Wall Building by a Team of Unmanned Aerial Vehicles in the MBZIRC 2020 Competition
Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克理工大学电气工程学院）
本文提出了一个系统的自主合作墙建设与团队的无人机（UAV）。该系统是为2020年穆罕默德·本·扎耶德国际机器人挑战赛（MBZIRC）的挑战2而开发的。挑战2的筑墙场景以最初的砖块堆和墙结构为特色，其中单个砖块必须由三架无人机组成的团队放置。该任务的目标是最大限度地收集点，在有限的施工时间内放置砖，同时按照规定的墙模式。所提出的方法使用初始扫描，以找到一个先验的未知位置的砖和墙结构。然后，每个UAV被分配到单独的砖块和墙壁放置位置，并且仅使用机载资源进一步执行抓取和放置。开发的系统包括扫描给定区域的方法，砖块和墙壁放置位置的RGB-D检测，砖块的精确抓取和放置以及多架无人机的协调。本文介绍了整个系统，个别组件，在苛刻的户外条件下的实验验证，在竞争中取得的成果，以及经验教训。所提出的CTU-宾夕法尼亚大学-纽约大学方法在所有参与者中取得了整体最佳表现，通过正确放置大量砖块获得最高分数，赢得了MBZIRC竞赛。
2020-12-10 cs.RO
Calibrate Once, Fly Any Team: Residual-Grounded Low-Fidelity Training for Cooperative Drone Swarms
University of Haifa（海法大学）
提出混合保真度训练方案，用离线残差校正低保真模拟器训练共享去中心化策略，避免高保真强化学习，在多种集群任务中性能接近高保真微调策略且计算成本大幅降低。
2026-09-16 cs.MA cs.RO
A Distributed Online Optimization Strategy for Cooperative Robotic Surveillance
University of Bologna（博洛尼亚大学）
针对多机器人协作防护目标问题，提出一种基于分布式聚合在线优化的位置控制算法，可利用局部带噪测量重构全局信息并预测目标函数，仿真与四旋翼实验验证了其有效性。
2023-04-27 cs.RO
Reflection-Based Relative Localization for Cooperative UAV Teams Using Active Markers
Multi-Robot Systems Group, Faculty of Electrical Engineering, Czech Technical University in Prague（布拉格捷克技术大学电气工程系多机器人系统组）；Mohammed VI Polytechnic University（摩洛哥穆莱伊沙·穆莱·阿卜杜勒阿齐兹·本·阿卜杜勒阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐兹·本·阿卜杜勒·阿齐-middle Polytechnic University）
本文提出了一种利用环境中的主动标记反射进行无人机团队相对定位的新方法，无需预先知道机器人大小或标记配置，且能有效应对表面不规则性带来的不确定性，实验表明其在不同光照条件下具有更高的有效范围和精度。
2026-11-02 cs.RO
CARE: Cooperative Autonomy for Resilience and Efficiency of Robot Teams for Complete Coverage of Unknown Environments under Robot Failures
本文提出了一种分布式算法CARE，用于解决未知环境中多机器人覆盖率路径规划问题，该算法在机器人故障情况下提供鲁棒性并提高整体效率，通过事件驱动的重新规划实现任务重新分配，实验结果表明其在故障情况下能够实现完全覆盖、减少覆盖时间和加快目标发现。
2019-05-29 cs.MA cs.RO cs.SY
MA-LIPP: Cooperative Multi-Agent Load-Aware Informative Path Planning for Heterogeneous Robot Teams
University of Southern California（南加州大学）
针对异构多机器人团队在负载感知信息路径规划中的协调难题，提出MA-LIPP框架，通过异步“秘密投放”实现协作，结合精确MIQP与可扩展LNS启发式算法，在95.5%案例中达到最优并显著降低不确定性。
2026-09-21 cs.RO
Merging model-based control with multi-agent reinforcement learning for multi-agent cooperative teaming strategies
Georgia Institute of Technology（佐治亚理工学院）；Sandia National Laboratories（桑地亚国家实验室）
提出一种结合多智能体强化学习与模型预测控制的框架（MA-AC-MPC），通过扩展演员-评论家模型预测控制实现安全、动态可行的协作策略，并在追逃场景和异构环境中验证其优于多层感知机模型。
2026-06-04 cs.LG cs.MA cs.RO
ORION: Option-Regularized Deep Reinforcement Learning for Cooperative Multi-Agent Online Navigation
Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（机械工程系，设计与工程学院，新加坡国立大学）
该研究提出ORION框架，通过选项批评方法和双阶段合作策略，解决部分已知环境中多智能体导航的路径最优与环境信息收集之间的平衡问题，实现高效实时协作。
2026-05-17 cs.RO
Path Planning Optimisation for SParse, AwaRe and Cooperative Networked Aerial Robot Teams (SpArC-NARTs): Optimisation Tool and Ground Sensing Coverage Use Cases
Institute for Systems and Robotics（系统与机器人研究所）
本文提出了一种用于稀疏、感知和协作网络化空中机器人团队的路径规划工具，通过考虑环境信息、能量限制和通信约束，优化任务目标并提升群体协作效率。
2026-07-21 cs.RO cs.SY eess.SY
Learning to Navigate in Turbulent Flows with Aerial Robot Swarms: A Cooperative Deep Reinforcement Learning Approach
University of Pennsylvania（宾夕法尼亚大学）；Amazon Robotics（亚马逊机器人公司）；Universidad Santo Tomas（圣托马斯大学）；Bethune Cookman University（白求恩-库克曼大学）；Lehigh University（利哈伊大学）
本文提出基于GCNN的协作式深度强化学习多机器人控制器，通过邻居信息共享学习风流对团队的影响，实现可扩展且可泛化的湍流导航与补偿。
2023-06-07 cs.LG cs.MA cs.RO
A Decomposition Approach to Multi-Vehicle Cooperative Control
我们提出的方法，产生多车辆控制问题的合作策略，使用分解方法。通过引入一组车辆要完成的任务和每个车辆的任务执行方法，我们分解成一个组合组件和一个连续组件的问题。问题的连续部分由任务执行捕获，组合部分由任务分配捕获。在本文中，我们提出了一个求解器的任务分配，产生近最佳的分配迅速，可用于实时应用程序。为了激励我们的方法，我们将它们应用于两队车辆之间的对抗游戏。一个团队由简单的规则管理，另一个由我们的算法管理。在我们对这个游戏的研究中，我们发现了相变，这表明当对手的能力相当时，任务分配问题最难解决。最后，我们实现了我们的算法在一个多层次的架构，在每个层次上的可变重新规划率提供反馈的动态变化和不确定的环境。
2005-04-18 cs.RO
ADMM-Based Safety-Critical Distributed NMPC for Cooperative Transportation by Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）
研究四足机器人协同运输的安全关键型分布式控制框架，核心方法是用ADMM分解优化问题，结合高阶控制障碍函数。相比集中式NMPC，减少求解时间，保持性能，消融研究显示对通信延迟鲁棒，能改善负载跟踪与协调。
2026-07-21 cs.RO math.OC
TDMA Based Communications Control Co-Design for Cooperative Carrying: Delay Calibration and Sampling-Rate Optimization
Institute for Smart Electronics and Systems, Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔朗根-纽伦堡大学智能电子与系统研究所）
本文针对多机器人协同搬运的通信挑战，在MuJoCo仿真中评估三种控制方法，发现动态采样降开销、轮换领导提公平性且不影响搬运能力，为通信受限场景部署协同机器人提供指导。
2026-08-11 cs.RO cs.SY eess.SY
Autonomous and cooperative design of the monitor positions for a team of UAVs to maximize the quantity and quality of detected objects
Democritus University of Thrace（色雷斯德谟克利特大学）；Information Technologies Institute, The Centre for Research & Technology, Hellas（信息技术研究所，研究与技术中心，希腊）
本文解决的问题，一群无人机内的一个完全未知的地形定位，有作为目标，以最大限度地提高整体态势感知。态势感知是通过无人机视野内感兴趣的独特物体的数量和质量来表达的。YOLOv3和一个识别感兴趣的重复物体的系统被用来为每个无人机的配置分配一个单独的分数。然后，提出了一种新的导航算法，能够优化先前定义的分数，而不考虑无人机或环境的动态。所提出的方法的一个基石是，它具有相同的收敛特性的块坐标下降（BCD）家庭的方法。利用AirSim模拟器内的一系列实验，所提出的导航方案的有效性和性能进行了评估。实验结果表明，该导航算法能够稳定地将无人机群导航到“战略”监控位置，并能适应不同规模的无人机群。源代码可在https://github.com/dimikout3/ConvCAOAirSim上获得。
2020-07-02 cs.CV cs.RO
Cooperative Assistance in Robotic Surgery through Multi-Agent Reinforcement Learning
Heidelberg University Hospital（海德堡大学医院）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
机器人辅助手术中的认知协作协助具有提高微创干预护理质量的潜力。手术任务的自动化有望减少外科医生的精神消耗和疲劳。在这项工作中，多智能体强化学习被证明是强大的分布偏移引入配对学习政策与人类团队成员。多智能体策略直接从模拟中的图像进行训练，以在胆囊微创切除的子任务中控制多个器械。这些智能体将被单独评估，并与人类合作，以证明它们作为自主助手的适用性。与人类团队相比，具有人工代理的混合团队在完成时间（缩短44.4%至71.2%）和碰撞次数（减少44.7%至98.0%）方面表现更好。然而，路径长度增加控制下的人工代理（11.4%至33.5%以上）。一个多代理制定的学习问题，有利于在这个手术子任务的单代理制定，由于顺序学习的两个工具。这种方法可以扩展到在标准强化学习框架内难以制定的其他任务。多智能体强化学习可能会将认知机器人手术的范式转变为外科医生和辅助技术之间的无缝合作。
2021-10-10 cs.RO
COLMAR: Cooperative View Policy Learning for Multi-Agent Active 3D Reconstruction
Purdue University（普渡大学）；DEVCOM Army Research Laboratory（陆军研究实验室）
研究多智能体主动3D重建中协调效率低的问题，提出COLMAR框架，将视点分配作为共享策略优化，用参数共享PPO训练，结合3DGS重建，实验表明相比基线在传感预算匹配时重建精度和覆盖率显著提升。
2026-07-16 cs.RO
Influence of Team Interactions on Multi-Robot Cooperation: A Relational Network Perspective
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
针对现有算法忽视团队结构的问题，提出基于关系网络的多机器人协作算法，通过设定智能体间关系赋予优先级以指导协作策略，实验证明其能有效影响算法收敛的解决方案类型。
2023-10-19 cs.MA cs.RO
Cooperative Aerial Robot Inspection Challenge: A Benchmark for Heterogeneous Multi-UAV Planning and Lessons Learned
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）；School of Artificial Intelligence, Sun Yat-sen University（中山大学人工智能学院）；Zhejiang University（浙江大学）；Department of Mechanical and Automation Engineering, Chinese University of Hong Kong（香港中文大学机械与自动化工程学系）
本研究提出面向异构多无人机运动规划的仿真基准CARIC，配套软件栈与多场景支持算法研发，依托两届赛事收集全球方案，分析顶尖队伍策略并指明未来研究方向。
2025-01-14 cs.RO cs.SY eess.SY
A Cost-Effective Cooperative Exploration and Inspection Strategy for Heterogeneous Aerial System
School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
针对异构无人机集群协同检测，论文提出无需精确环境先验、结合体素地图与规则路径规划的任务分配和全覆盖方法，性能优于基准并已开源。
2024-03-02 cs.RO
An Infrastructure-less, Control-Independent Solution to Relative Localisation of a Team of Mobile Robots using Ranging Measurements
Department of Industrial Engineering, University of Trento（特伦托大学工业工程系）；Department of Information Engineering and Computer Science, University of Trento（特伦托大学信息工程与计算机科学系）
提出一种无锚点、完全去中心化的协作定位算法，仅依赖局部里程计、稀疏测距和短程通信，无需控制机器人运动即可实现团队可观测性，采用多假设贝叶斯框架保证鲁棒性。
2026-06-19 cs.MA cs.RO
Collaborative Adaptation: Learning to Recover from Unforeseen Malfunctions in Multi-Robot Teams
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
针对多智能体强化学习在遭遇不可预见故障时恢复缓慢的问题，提出Collaborative Adaptation框架，通过利用智能体间关系引导协作并加速故障适应，使智能体能有效恢复并选择合适的协作策略。
2023-10-19 cs.MA cs.RO
Cooperative Observation of Targets moving over a Planar Graph with Prediction of Positions
Universidade Estadual do Ceará – UECE（塞阿拉州立大学）
考虑一个有两种类型的代理的团队：目标和观察者。观测器是一种空中无人机，用于观测陆地上移动的目标，其移动受限于在地面上形成平面图的路径。观察者的视野有限，目标不会避开观察者。目标是最大化在观测间隔中观测到的目标数量的积分。利用目标在短期内的未来位置是可预测的这一事实，我们在这篇文章中展示了一种改进的爬山算法，该算法在CTO问题的新设置中超越了以前的版本。
2020-02-13 cs.AI cs.RO eess.SP
Cooperative Nonlinear Guidance Strategies for Guaranteed Pursuit-Evasion
Intelligent Systems and Control Lab, Department of Aerospace Engineering, Indian Institute of Technology Bombay（智能系统与控制实验室，航空航天工程系，印度理工学院班加罗尔）；GALACxIS Lab, Department of Aerospace Engineering and Engineering Mechanics, University of Cincinnati（GALACxIS实验室，航空航天工程与工程力学系，辛辛那提大学）
本文研究三体追逃问题，为逃跑者-防御者团队提出基于几何的协同非线性制导策略，保证在任意初始交战几何下拦截追击者，且无需获知对方策略，误差变量可在预定有限时间内收敛至零。
2025-09-15 cs.MA cs.RO cs.SY
Cooperative Risk-Aware Exploration in Heterogeneous Multi-Robot Systems Using Algorithmic Altruism
School of Electrical and Computer Engineering at Oklahoma State University（俄克拉荷马州立大学电气与计算机工程学院）；Instituto Tecnológico de Aeronáutica（航空技术研究所）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
该研究针对异构多机器人系统，提出基于算法利他主义的博弈论框架，通过社会纳什均衡调整效用实现风险合理分配，减少冗余探索并提升团队性能，经仿真与硬件实验验证有效。
2026-08-31 cs.RO
Multi-agent RRT*: Sampling-based Cooperative Pathfinding (Extended Abstract)
Czech Technical University in Prague（捷克布拉格技术大学）；Delft University of Technology（代尔夫特理工大学）
合作寻路是为多个移动代理寻找一组不冲突的轨迹的问题。它的应用包括移动机器人团队的规划，如自主飞机，汽车或水下航行器。用于协作寻路的最先进的算法通常依赖于一些启发式前向搜索寻路技术，其中A* 通常是选择的算法。在这里，我们提出了MA-RRT*，一种新的算法，多代理路径规划，建立在最近提出的渐近最优采样为基础的算法，寻找单代理最短路径称为RRT*。我们实验评估的算法的性能，并表明，基于采样的方法提供了更好的可扩展性比经典的前向搜索方法在相对较大，但稀疏的环境，这是典型的在现实世界中的应用，如多飞机防撞。
2013-02-12 cs.AI cs.MA cs.RO
Three-agent Time-constrained Cooperative Pursuit-Evasion
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文考虑了三个代理人之间的追求-逃避的情况-逃避者，追求者和防御者。我们设计的合作指导法律的逃避者和防御者的团队，以保护逃避者从攻击的追求者。不同于微分游戏，最优控制配方，和其他启发式方法，我们提出了一个新的角度设计有效的非线性反馈控制律的逃避者防守队使用时间约束的指导方法。逃避者以自己为诱饵引诱追赶者进入碰撞轨道。与此同时，防御者通过控制交战持续时间来保护逃避者免受追击者的攻击。根据任务的性质，防御者可以选择采取攻击或防御姿态。这种考虑拓宽了所提出的方法在各种三代理运动规划方案，如飞机防御，资产守卫，搜索和救援，监视和安全运输的适用性。我们使用固定时间的滑模控制策略设计的控制律的规避者和防御者的团队和非线性有限时间干扰观测器估计的追求者的机动。最后，我们提出了模拟，以证明在各种啮合几何形状下的良好性能，从而证明所提出的设计的有效性。
2022-01-17 cs.MA cs.RO cs.SY
Measurement Scheduling for Cooperative Localization in Resource-Constrained Conditions
Shanghai Jiao Tong University（上海交通大学）；University of California Irvine（加利福尼亚大学尔湾分校）
研究了N个移动机器人在平面上进行协作定位时的测量调度问题。我们考虑的情况下，由于有限的车载资源，如电池寿命和通信带宽，只有一个给定数量的相对测量每个机器人被允许在观察和更新阶段。最优选择的队友的机器人应该采取相对测量，使更新的关节定位不确定性的团队是一个NP难问题。在本文中，我们提出了一个次优贪婪的方法，允许每个机器人选择其地标机器人在本地多项式时间。我们的方法，不同于文献中的已知结果，不假设CL算法的完全可观性。此外，它不需要在调度阶段的机器人之间的通信。也就是说，不需要机器人协作来执行地标机器人选择。我们讨论了我们的方法在一个国家的最先进的分散CL算法的背景下的应用，并通过数值模拟证明其有效性。即使我们的解决方案没有严格的性能保证，其低计算成本以及没有通信要求，使其成为一个有吸引力的解决方案，资源受限的机器人操作。
2020-01-20 cs.RO
Multi-UAV Adaptive Path Planning Using Deep Reinforcement Learning
University of Bonn（波恩大学）
有效的航空数据汇集在许多遥感应用中是重要的。在大规模监测场景中，部署一组无人驾驶飞行器（UAV）可以提高空间覆盖范围和对个别故障的鲁棒性。然而，一个关键的挑战是无人机的合作路径规划，以有效地实现联合任务的目标。提出了一种新的基于深度强化学习的多智能体信息路径规划方法，用于无人机团队自适应地形监测场景。我们引入了新的网络特征表示，以有效地学习在3D工作空间中的路径规划。通过利用反事实基线，我们的方法明确地解决了信用分配学习合作行为。我们的实验评估表明，改进的规划性能，即更快地映射感兴趣的区域，相对于非反事实的变体。合成和现实世界的数据的结果表明，我们的方法具有优越的性能相比，最先进的非学习为基础的方法，同时可转移到不同的团队规模和沟通的限制。
2023-03-02 cs.RO
Exploiting Heterogeneous Robotic Systems in Cooperative Missions
University of Pennsylvania（宾夕法尼亚大学）；University of New Mexico（新墨西哥大学）
在本文中，我们考虑的问题，协调机器人系统具有不同的运动学，传感和视觉能力，以实现一定的任务目标。当需要考虑成本、功能集成或大搜索区域时，使用异构代理团队的方法具有几个优势。一个异构的团队允许机器人变得“专业化”，更有效地完成子目标，从而提高整体任务效率。在这项工作中考虑了两个主要的场景。在第一个案例研究中，我们利用移动性来实现功率控制算法，该算法增加了网络中某些成员之间的信号干扰噪声比（SINR）。我们创建现实的传感领域和操纵通过使用传感器视场的几何特性和可操纵性度量，分别。异构系统的每个代理的控制策略是由人工物理定律，认为不同的运动学的代理和环境，在一个分散的方式。通过仿真结果表明，该网络能够始终保持连接，并很好地覆盖环境。本文研究的第二种情况是异构物理机器人系统的生物启发协调。一组地面漫游者，旨在模仿沙漠种子收获蚂蚁，探索一个实验区使用行为微调模拟遗传算法。我们的机器人与基站协调，收集分散在实验空间内的资源集群。我们通过实验证明，通过与飞行器的协调，我们的蚂蚁般的地面机器人能够收集资源的速度比不使用异构协调的速度快两倍。
2015-09-03 cs.RO
PAINT: Partner-Agnostic Intent-Aware Cooperative Transport with Legged Robots
Robotic Systems Lab, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院机器人系统实验室）；Computational Robotics Lab, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院计算机器人学实验室）；ETH AI Center, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院ETH人工智能中心）
PAINT通过 proprioceptive 反馈直接推断伙伴意图，实现轻量级、高效的协作运输，适用于复杂地形和多种伙伴。
2026-09-09 cs.RO
