Multi-Robot Gaussian Process Estimation and Coverage: A Deterministic Sequencing Algorithm and Regret Analysis
Michigan State University（密歇根州立大学）
我们研究的问题，分布式多机器人覆盖在一个未知的，不均匀的感觉领域。作为一个实现的高斯过程和贝叶斯技术建模的感觉场，我们设计了一个政策，旨在平衡学习的感觉功能和覆盖的环境之间的权衡。我们提出了一种自适应覆盖算法，称为学习和覆盖的确定性排序（DSLC），它可以安排学习和覆盖时期，使其重点逐渐从探索转移到利用，同时永远不会完全停止学习。使用一种新的定义的覆盖遗憾的特点的整体覆盖性能的多机器人团队在一个时间范围$T$，我们分析DSLC提供一个上限预期的累积覆盖遗憾。最后，我们说明了该算法的经验性能，通过模拟的覆盖任务在一个未知的野火分布。
2021-06-01 cs.RO cs.SY eess.SY
Dissimilarity-Based Persistent Coverage Control of Multi-Robot Systems for Improving Solar Irradiance Prediction Accuracy in Solar Thermal Power Plants
Graduate School of Engineering Science, The University of Osaka（大阪大学工学研究科）
本文提出基于克里金模型的不相似性地图和持久覆盖控制算法，通过移动机器人实验验证了其在提升太阳辐照度预测精度方面的有效性。
2026-03-26 cs.RO cs.SY eess.SY
When Semantics Connect the Swarm: LLM-Driven Fuzzy Control for Cooperative Multi-Robot Underwater Coverage
本文提出一种由LLM驱动的模糊控制框架，用于实现多机器人水下协作覆盖，通过语义引导实现高效导航和探索。
2026-03-12 cs.RO cs.SY eess.SY
Efficient Multi-Robot Coverage of a Known Environment
University of South Carolina（南卡罗来纳大学）；American University of Armenia（亚美尼亚美国大学）；Element AI
研究了多机器人对已知环境的完全区域覆盖问题。完全区域覆盖是指在所有可用空间上移动末端执行器，同时避开现有障碍物的问题。在这样的任务中，使用多个机器人可以在最小化操作时间方面增加区域覆盖的效率，并增加面对机器人磨损的鲁棒性。不幸的是，找到一个最佳的解决方案，这样的区域覆盖问题与多个机器人的问题是已知的NP完全。在本文中，我们提出了解决多机器人覆盖问题的两个近似算法。第一个解决方案是一个有效的单机器人区域覆盖算法的直接扩展，基于精确的细胞分解。第二种算法是一种贪婪的方法，将该区域划分为相等的区域，并对每个区域应用高效的单机器人覆盖算法。我们提出了两个算法的实验结果。结果表明，我们的方法提供了良好的覆盖分布之间的机器人和最小化每个机器人的工作量，同时确保区域的完全覆盖。
2018-08-07 cs.AI cs.RO
Coverage Control in Multi-Robot Systems via Graph Neural Networks
GRASP Laboratory, University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Treeswift；Department of Electrical and Systems Engineering, University of Pennsylvania（宾夕法尼亚大学电气与系统工程系）
本文提出了一种多机器人系统移动传感器覆盖的分散方法。我们考虑的情况下，一个团队的机器人有限的传感范围必须定位自己，以有效地检测感兴趣的事件在一个区域的特点是不同的重要性。为此，我们开发了一个分散控制政策的机器人-实现通过图神经网络-它使用机器人间的通信，利用非本地信息的控制决策。通过显式地共享多跳邻居之间的信息，分散控制器实现了更高的覆盖质量相比，经典的方法，不通信，只利用本地信息提供给每个机器人。仿真实验验证了多跳通信对多机器人覆盖的有效性，并评估了基于学习的控制器的可扩展性和可移植性。
2021-09-30 cs.RO
Team Assignment for Heterogeneous Multi-Robot Sensor Coverage through Graph Representation Learning
Colorado School of Mines（科罗拉多矿业学院）
传感器覆盖是关键的多机器人问题，通过部署多个机器人来最大限度地检测环境中的事件。大型多机器人系统往往由简单的机器人组成，这些机器人通常没有配备完整的传感器，因此需要具有全面传感能力的团队才能适当覆盖一个区域。机器人还表现出多种形式的关系（例如，通信连接或空间分布），这在为传感器覆盖分配机器人团队时需要考虑。为了解决这个问题，在本文中，我们介绍了一种新的配方的传感器覆盖多机器人系统的异构关系作为一个图形表示学习问题。我们提出了一个原则性的方法，正则化优化的数学框架的基础上学习的统一表示的多机器人系统从图形描述的异构关系，并确定学习表示的底层结构，以分配机器人的团队。为了评估所提出的方法，我们进行了大量的实验模拟多机器人系统和物理多机器人系统作为一个案例研究，表明我们的方法是能够有效地分配团队异构多机器人传感器覆盖。
2021-05-30 cs.MA cs.RO
Anchor-Oriented Localized Voronoi Partitioning for GPS-denied Multi-Robot Coverage
School of Computing, University of Georgia（佐治亚大学计算学院）
针对无GPS环境下多机器人覆盖缺乏全局定位的难题，提出基于公共锚点的动态局部Voronoi划分方法与共识协调算法，实验表明其性能与使用GPS的最先进方法相当。
2024-07-08 cs.MA cs.RO
Distributed Multi-Coverage for Robot Swarms
University of Houston（德克萨斯大学休斯顿分校）
本文提出了一种分布式多覆盖算法，用于解决机器人群在局部感知、局部通信和无全局协调的情况下，维持关键资产可靠覆盖的问题，同时应对机器人故障等约束条件。
2026-05-20 cs.RO
Multi-Robot Coverage and Exploration using Spatial Graph Neural Networks
University of Pennsylvania（宾夕法尼亚大学）
多机器人覆盖问题是执行检查或搜索和救援等任务的系统的重要组成部分。我们离散化的覆盖问题，诱导的位置和代表机器人的节点在图中的空间图。然后，我们训练一个图神经网络控制器，它利用任务的空间等方差来模仿专家开环路由解决方案。这种方法可以很好地推广到更大的地图和更大的团队，这对专家来说是棘手的。特别是，该模型有效地推广到十个四旋翼和几十个建筑物的模拟。我们还证明了GNN控制器可以在探索任务中超越基于规划的方法。
2021-07-30 cs.RO
A Versatile Multi-Robot Monte Carlo Tree Search Planner for On-Line Coverage Path Planning
移动机器人在减少人类执行诸如吸尘、播种、收割、油漆、搜索和救援以及检查等工作的需求方面具有很大的前景。在实践中，这些任务通常必须在没有该区域的精确地图的情况下完成，并且可以通过使用多个机器人一起工作来更快地完成。同时覆盖和映射的多个机器人的区域的任务被称为多机器人在线覆盖，是一个不断增长的研究领域。许多多机器人在线覆盖路径规划算法已被开发为完善的离线覆盖算法的扩展。在这项工作中，我们介绍了一种新的方法，多机器人在线覆盖路径规划的基础上借用博弈论和机器学习的方法-蒙特卡罗树搜索。我们实现了一个蒙特卡罗树搜索规划和比较完成时间对Boustrophedon为基础的在线多机器人规划。的MCTS计划执行与传统的Boustrophedon算法在模拟不同的机器人数量和密度的障碍物在地图上。的多功能性的MCTS规划师证明，将二级目标，如转弯最小化，同时执行相同的覆盖任务。MCTS规划器的多功能性表明它非常适合移动机器人中出现的许多多目标任务。
2020-02-11 cs.MA cs.RO
Failure-Resilient Coverage Maximization with Multiple Robots
University of Maryland College Park（马里兰大学帕克分校）
使用多个机器人最大化覆盖范围的任务有几个应用，如监视，探索和环境监测。在实际场景中部署这种多机器人系统的主要挑战是确保对机器人故障的弹性。最近的一项工作介绍了弹性覆盖最大化（RCM）问题，其目标是最大限度地提高子模块覆盖效用时，机器人受到对抗攻击或失败。RCM问题是一个NP难问题。本文提出了两种求解RCM问题的近似算法，即有序贪婪算法（OrG）和局部搜索算法（LS）。这两种算法在准确性和运行时间方面都优于最先进的解决方案。为了证明我们提出的解决方案的有效性，我们经验比较我们提出的算法与现有的解决方案和蛮力最优算法。我们还进行了持续监测问题的案例研究，以显示我们提出的算法在实际环境中的适用性。
2021-03-04 cs.RO
Hilbert-Augmented Reinforcement Learning for Scalable Multi-Robot Coverage and Exploration
本文提出一种基于Hilbert空间的强化学习方法，用于提高多机器人覆盖与探索的效率和可扩展性。
2026-02-23 cs.AI cs.MA cs.RO
Range Limited Coverage Control using Air-Ground Multi-Robot Teams
Georgia Institute of Technology（佐治亚理工学院）
针对异构空地多机器人团队的覆盖控制问题，提出融合多感知信息的Lloyd算法扩展方法，通过空天地机器人协同平衡局部覆盖与全局分布，经仿真和Robotarium实验验证了稳定性与性能。
2023-06-12 cs.MA cs.RO
Adaptation to Team Composition Changes for Heterogeneous Multi-Robot Sensor Coverage
Colorado School of Mines（科罗拉多矿业学院）
我们考虑多机器人传感器覆盖的问题，它涉及在一个环境中部署一个多机器人团队，并优化整个环境的传感质量。由于真实世界的环境涉及各种传感器信息，并且单个机器人的传感器数量有限，因此成功的多机器人传感器覆盖需要以每个团队成员的传感质量最大化的方式部署机器人。此外，由于单个机器人具有不同的传感器补充，并且机器人和传感器都可能发生故障，因此机器人必须能够适应和调整它们如何评估每个传感能力，以便获得最完整的环境视图，即使团队组成发生变化。我们引入了一种新的配方，传感器覆盖率的多机器人团队异构的传感能力，最大限度地提高每个机器人的传感质量，平衡不同的传感能力的基础上，个别机器人的整体团队组成。我们提出了一个基于正则化优化的解决方案，该解决方案使用稀疏诱导项来确保机器人团队专注于所有可能的事件类型，并且我们证明了它收敛到最优解。通过大量的模拟，我们表明，我们的方法是能够有效地部署一个多机器人团队，以最大限度地提高环境的传感质量，响应故障的多机器人团队比非自适应方法更强大。
2021-05-30 cs.MA cs.RO
Coverage Control for a Multi-robot Team with Heterogeneous Capabilities using Block Coordinate Descent (BCD) Method
Hong Kong University of Science and Technology（香港科技大学）
在本文中，我们提出了一个覆盖控制系统的多机器人团队与异构能力巡逻或监测有界环境。能力可以定义为机器人的任何标准，如剩余功率或移动速度，这取决于目的。所提出的控制系统旨在根据机器人的能力将环境的不同部分分配给机器人，即，具有较高能力的机器人占据环境的较大部分，而具有较低能力的机器人占据较小部分。我们使用块坐标下降（BCD）的方法来优化部分的位置和分区方法交替。一个集中的机器被用来同步的机器人和每个机器人的梯度可以计算在一个分布式的方式。仿真结果表明，所提出的控制系统的性能。
2022-04-20 cs.RO
GMC-Pos: Graph-Based Multi-Robot Coverage Positioning Method
Singapore University of Technology and Design（新加坡科技设计大学）
提出基于图的多机器人覆盖定位方法（GMC-Pos），通过图生成和节点选择模块，最大化多机器人系统的覆盖面积，在实验中较基准方法提升15.13%至24.88%。
2023-10-18 cs.RO
Efficient quantitative assessment of robot swarms: coverage and targeting Lévy strategies
Leopold-Franzens-Universität Innsbruck（因斯布鲁克利奥波德-弗兰岑斯大学）
生物学启发的策略长期以来一直适用于群体机器人系统，包括有偏见的随机行走，对趋化性线索的反应和远程协调。在本文中，我们应用生物系统建模的分析工具，如连续描述，有效的机器人群的定量表征。作为一个例子，布朗策略和Lévy策略的特征长程运动进行了讨论。因此，我们获得计算速度快的机器人运动规律的优化方法，以实现规定的集体行为。我们将展示如何计算性能指标，如覆盖范围和命中时间，并说明我们的方法的准确性和效率的区域覆盖和搜索问题。连续体模型和机器人模拟之间的比较证实了我们的方法的定量协议和速度。结果证实和量化的优势，Lévy策略的搜索和区域覆盖问题的群体机器人布朗运动。
2022-02-14 cs.RO nlin.AO
Centralization vs. decentralization in multi-robot sweep coverage with ground robots and UAVs
M.K. Heinrich, IRIDIA, Universit\' e Libre de Bruxelles, Brussels, Belgium A. Jamshidpey University of Ottawa, Ottawa, Canada M. Wahby Reverse Labs, Amsterdam, The Netherlands
本文针对地面机器人与无人机协同清扫覆盖任务，比较五种集中、分散及混合控制结构在覆盖质量、时间、可扩展性和容错性上的权衡。
2025-08-29 cs.RO
Distributed Navigation of Multi-Robot Systems For Sensing Coverage
School of Electrical Engineering and Telecommunications, The University of New South Wales（新南威尔士大学电气工程与电信学院）
本研究探讨分散控制的移动机器人覆盖问题。针对覆盖控制问题，存在与分散控制策略相关的不同方法。我们对这些方法进行了比较，并使用基于简单的局部协调规则的方法。我们调查这个广泛使用的最近邻规则为基础的方法开发覆盖控制算法。在这种方法中，一个移动机器人给予同等的重要性，每个邻居机器人在其通信范围内。我们通过使一些移动机器人比团队中的其他成员发挥更有影响力的作用来开发我们的控制方法。基于这种控制策略的方法变得有效的控制输入，说航向角，速度等达成共识的分散控制的移动机器人也可以表现出一些物理约束下的循环行为，如量化的方向的移动机器人。我们进一步研究循环行为出现由于移动机器人的量化控制在一定条件下。我们最近的邻居规则为基础的方法提供了一个有偏见的策略，循环行为的情况下出现在移动机器人的团队。我们认为一个集群技术的移动机器人团队内部。我们的分散控制策略计算移动机器人的邻居之间的相似性度量。移动机器人团队的相似性度量为基础的方法变得有效，在实现快速的共识，如航向角或速度。我们对我们开发的方法进行了严格的数学分析。我们还开发了一个条件的基础上放松的标准达成共识的速度或航向角的移动机器人。我们的验证方法是基于数学论证和广泛的计算机模拟。
2016-09-29 cs.RO
Multi-robot Dubins Coverage with Autonomous Surface Vehicles
University of South Carolina（南卡罗来纳大学）
在大规模覆盖操作中，例如海洋勘探或空中监测，单个机器人方法并不理想，因为它们可能需要太长时间来覆盖大面积。在这种情况下，多机器人方法是优选的。此外，一些现实世界的车辆是非完整的，但可以使用Dubins车辆运动学建模。本文重点介绍了使用自主水面车辆（ASV）的水环境监测。特别是，我们提出了一种新的方法来解决由Dubins车辆组成的多机器人团队完全覆盖已知环境的问题。值得注意的是，多机器人覆盖和Dubins车辆覆盖都是NP完全问题。因此，我们提出了两种基于旅行商问题的变体- K-TSP -制定和聚类算法，有效地解决了这个问题的算法。所提出的方法进行了测试，无论是在模拟，以评估其可扩展性，并与一个团队的ASV在湖上运行，以确保其在现实世界中的适用性。
2018-08-07 cs.AI 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
Energy-Constrained Resilient Multi-Robot Coverage Control
School of Aeronautics and Astronautics, Purdue University（航空航天学院，普渡大学）
针对多机器人充电导致网络拓扑破坏的覆盖控制问题，提出一种弹性网络设计与控制方法，将系统建模为三模式混合系统，通过设计守卫条件和能量感知方位刚性网络，在满足能量约束下维持连通性并实现期望覆盖性能。
2025-06-28 cs.RO
Volumetric Objectives for Multi-Robot Exploration of Three-Dimensional Environments
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）；Robotics Institute, Carnegie Mellon University (CMU)（卡内基梅隆大学机器人研究所）
用于探索和感知任务的体积目标寻求捕获在未知环境中操作的机器人的一个或多个相机视图处的假设观察的价值感（或奖励）。例如，体积目标可以与待观察的未知空间的预期体积成比例地奖励机器人。我们确定现有的信息理论和覆盖目标之间的连接，在预期的覆盖范围，特别是互信息没有噪声是一个特殊的情况下，预期的覆盖范围。同样，我们提供了第一个比较，我们知道，基于信息的近似和覆盖目标的探索，我们发现，也许令人惊讶的是，覆盖目标可以显着优于基于信息的目标在实践中。此外，信息和覆盖目标的分析表明，随机顺序分区-一种有效的分布式传感器规划的方法-适用于这两类目标，我们提供了仿真结果在各种环境中多达32个机器人。
2021-03-26 cs.RO
Density-Driven Area Coverage for Nonholonomic Multi-Robot Systems with Safety Guarantee
Texas Tech University（德克萨斯理工大学）
针对非完整多机器人密度驱动覆盖中安全约束与物理输入不匹配的问题，提出将控制屏障函数安全滤波器与D2OC结合，直接在物理输入上施加安全约束，仿真和实验验证了安全性与覆盖性能。
2026-09-22 cs.MA cs.RO math.OC
Frontier-led Swarming: Robust Multi-Robot Coverage of Unknown Environments
University of New South Wales（新南威尔士大学）
本文提出了一种新型的基于群的控制算法，用于探索和覆盖未知环境，同时保持允许短程通信的队形。该算法结合了两个要素：群体规则，以保持紧密结合的形成和前沿搜索驾驶探索和覆盖。受自然系统的启发，其中大量的简单代理（例如，成群的鱼、成群的鸟、成群的昆虫）为了效率和安全而执行复杂的集体行为，第一个元素使用三个简单的规则来维持群体的形成。第二个元素提供了一种方法来选择有前途的地区探索（和覆盖），通过最小化成本函数，涉及机器人的相对距离前沿细胞和前沿的大小。我们测试了我们的方法在不同环境中的异构和同质的移动机器人组的性能。我们衡量的覆盖性能和群体形成的统计数据作为指标的机器人的能力，有效地探索，同时保持有利于短距离通信的形成。通过一系列的比较实验，我们证明了我们提出的策略具有优越的性能，最近提出的地图覆盖方法和传统的群集方法。
2022-01-25 cs.MA cs.RO
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
Distributed Event- and Self-Triggered Coverage Control with Speed Constrained Unicycle Robots
Technical University of Munich（慕尼黑工业大学）；University of Cambridge（剑桥大学）
Voronoi覆盖控制是多机器人系统领域中一个特别重要的问题，它考虑了多个自主机器人的网络，其任务是最优地覆盖大面积。这是固定翼无人机（UAV）机群的一项共同任务，在这项工作中，通过具有恒定前进速度约束的单向飞行器模型来描述。我们开发基于事件的控制/通信算法，以放宽对无线通信和控制执行器的资源要求，这是电池驱动或其他能量受限系统的一个重要特征。为了克服事件触发算法需要连续测量系统状态的缺点，我们提出了一种自触发算法来估计下一个触发时间。硬件实验验证了理论结果。
2021-07-30 cs.MA cs.RO
Multi-robot coverage to locate fixed targets using formation structures
Ghent University（根特大学）
提出了一种引导多机器人系统在未知环境中搜索固定目标的算法。要扫描的区域包含未知数量的未知大小和形状的凸形障碍物。该算法覆盖了整个自由空间的清扫方式，因此依赖于使用机器人编队。机器人组的几何形状是一个侧线编队，允许在通过障碍物时分裂和重新加入。我们的主要目标是利用这种编队结构，以减少机器人资源到最低限度。每个机器人都有有限的内存。没有记录地形信息。两个机器人之间的通信只能达到机器人之间的最大距离，并且如果两个机器人之间的视线不被阻挡。不允许广播功能和间接通信。禁止监督控制。配备GPS的机器人数量尽可能少。该算法的应用是雷区清除，搜索和救援任务，拦截任务。仿真包括在互联网上，并提供，证明了算法的灵活性。
2012-02-10 cs.RO
Mr.MSTE: Multi-robot Multi-Source Term Estimation with Wind-Aware Coverage Control
Department of Aerospace Engineering, Indian Institute of Technology Bombay（印度理工学院班加罗尔航空航天工程系）；Aeronautical and Automotive Engineering Department, Loughborough University（洛桑大学航空与汽车工程系）；Technology Laboratory (Dstl), UK（技术实验室（Dstl），英国）
本文提出Mr.MSTE框架，通过风感知覆盖控制实现多机器人多源气体释放估计，提升传感器布置效率和检测准确性。
2025-12-18 cs.RO
Priority-Aware Multi-Robot Coverage Path Planning
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）；Korea Military Academy (KMA)（韩国军事学院）；University of California, Riverside (UCR)（加州大学河滨分校）；Omelet
本文提出优先感知多机器人覆盖率路径规划方法，通过两阶段框架结合贪心分配与局部搜索，有效减少优先区域延迟并优化完成时间。
2026-01-02 cs.AI cs.MA cs.RO
Optimal Planning for Multi-Robot Simultaneous Area and Line Coverage Using Hierarchical Cyclic Merging Regulation
Department of Mechanical and Aerospace Engineering, Rutgers University（机械与航空航天工程系，罗格斯大学）；Department of Mechanical Engineering, Binghamton University（机械工程系，宾州大学布林茅尔分校）
针对多机器人同时覆盖线性特征与区域的双重覆盖问题，提出基于分层循环合并调控（HCMR）的最优规划算法，通过莫尔斯理论简化求解，显著缩短路径长度并减少任务时间。
2025-08-07 cs.RO
Multitask Learning for Multiple Recognition Tasks: A Framework for Lower-limb Exoskeleton Robot Applications
Hanyang University（汉阳大学）；Hexar Humancare Co., Ltd.（Hexar Humancare有限公司）；Hanyang University ERICA（汉阳大学ERICA校区）
针对下肢外骨骼机器人多任务识别模型开发效率低的问题，提出多任务学习框架，通过GPR与TC模型间的知识共享提升数据效率，在有限数据下实现99.5%的TC准确率。
2023-06-26 cs.RO cs.SY eess.SY
Balanced Line Coverage in Large-scale Urban Scene
Beijing University of Posts and Telecommunications（北京邮电大学）
线覆盖是指由机器人覆盖被建模为一维线段的线性基础设施，近年来受到关注。随着城市化进程的加快，城市面积和基础设施密度不断增加，由此带来两个问题：（1）由于能源约束，同质机器人团队难以覆盖从一个车场开始的大规模线性基础设施;（2）在城市大规模场景中，机器人路径的不均衡性大大延长了多机器人系统的时间开销，这种情况比在较小规模场景中更为严重。为了解决这些问题，我们提出了一个异构的多机器人方法，由几个团队组成，每个团队包含一个运输机器人（TRob）和几个覆盖机器人（CRobs）。首先，提出平衡图划分（BGP）算法，将道路网络划分为几个大小相似的子图，然后TRob将一组CRob快速传递到子图区域。其次，提出了一种平衡的ulusoy分割（BUP）算法，从子图中为每个CRob提取相似长度的旅游。在本文收集的七个不同规模的道路网络上进行了大量的实验。我们的方法实现了机器人的利用率为90%，最好的最大巡回长度的总巡回长度增加的成本很小，这进一步减少了整个系统的时间成本。源代码和道路网络可在https://github.com/suhangsong/BLC-LargeScale上获得。
2023-02-22 cs.RO
CQLite: Communication-Efficient Multi-Robot Exploration Using Coverage-biased Distributed Q-Learning
University of Georgia（佐治亚大学）
针对多机器人协作探索中通信开销高的问题，提出分布式Q学习方法CQLite，通过临时地图合并和选择性共享前沿Q值降低通信与计算成本，并提升覆盖建图性能。
2024-01-18 cs.MA cs.RO
Multi-Robot Connected Fermat Spiral Coverage
Simon Fraser University（西蒙弗雷泽大学）
本文提出 MCFS 框架，首次将 CFS 用于多机器人覆盖路径规划，通过等值线图与组合优化生成绕障、连续平滑路径，并在多项指标上优于现有方法。
2024-04-16 cs.AI cs.MA cs.RO
Learning to Coordinate for a Worker-Station Multi-robot System in Planar Coverage Tasks
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
本文针对大规模平面覆盖任务中资源受限且存在随机动态干扰的多机器人系统，提出工人-工作站MRS，并将其建模为完全合作多智能体强化学习问题，通过端到端分散式在线规划同时实现覆盖与会合规划，仿真和实机实验验证了其在任务完成时间上的竞争力。
2022-08-24 cs.AI cs.MA cs.RO
A Generalized Voronoi Graph based Coverage Control Approach for Non-Convex Environment
Faculty of Electrical Engineering, Mathematics and Computer Science, University of Twente（代尔夫特理工大学电子工程、数学和计算机科学学院）；Department of Electrical Engineering, Wright State University（怀特州立大学电子工程系）；College of Electrical Engineering, Zhejiang University（浙江大学电气工程学院）；State Key Laboratory of Industrial Control Technology, Zhejiang University（浙江大学工业控制技术国家重点实验室）；National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University（西安交通大学人机混合增强智能国家级重点实验室）
本文提出了一种基于广义Voronoi图的非凸环境覆盖控制方法，通过负载平衡算法和协同覆盖阶段实现高效覆盖。
2026-03-10 cs.RO
SPACE: 3D Spatial Co-operation and Exploration Framework for Robust Mapping and Coverage with Multi-Robot Systems
School of Computing, University of Georgia（佐治亚大学计算学院）
针对多机器人室内视觉建图中重影轨迹和前沿选择忽视重建的问题，提出SPACE半分布式框架，利用几何技术和自适应前沿分配实现覆盖与建图平衡，在仿真中优于现有方法。
2024-11-04 cs.CV cs.MA cs.RO
Manufacturing Micro-Patterned Surfaces with Multi-Robot Systems
Mechanical Engineering Department, Northwestern University（西北大学机械工程系）
本文提出利用多机器人系统制造微图案化表面，通过 ergodic 控制算法实现高效覆盖，降低摩擦系数，展示了分布式多机器人系统在大规模制造中的潜力。
2026-03-18 cs.RO
Scalable Coverage Path Planning of Multi-Robot Teams for Monitoring Non-Convex Areas
University at Buffalo（布法罗大学）
本文提出了一种新的多机器人覆盖路径规划（CPP）算法-又名SCoPP -提供了一个时间效率高的解决方案，与工作负载平衡的计划，为每个机器人在多机器人系统，根据他们的初始状态。该算法考虑了不连续性（例如，禁飞区），并使用离散的、计算高效的最近邻路径规划算法来提供每个机器人的路径点的优化有序列表。该算法包括五个主要阶段，其中包括转换用户的输入作为一组顶点的地理坐标，离散化，负载平衡分区，拍卖的冲突细胞在离散空间，和路径规划过程。为了评估主要算法的有效性，多无人机（UAV）洪水后评估的应用程序被认为是，和算法的性能进行了测试，在三个不同大小的测试地图。此外，我们的方法相比，一个国家的最先进的Guasella等人创建的方法。进一步分析SCoPP的可扩展性和计算时间进行。结果表明，SCoPP在任务完成时间方面是优越的;对于由150个机器人团队覆盖的大地图，其计算时间被发现低于2分钟，从而证明了其计算可扩展性。
2021-03-26 cs.MA cs.RO
Large-Scale Multi-Robot Coverage Path Planning via Local Search
Simon Fraser University（西蒙菲莎大学）
提出 LS-MCPP 框架，通过 ESTC 与三类邻域算子在分解图上直接局部搜索覆盖路径，显著降低多机器人覆盖 makespan 且运行更快。
2024-02-28 cs.AI cs.MA cs.RO
Local Policies for Efficiently Patrolling a Triangulated Region by a Robot Swarm
University of Waterloo（滑铁卢大学）；Rice University（莱斯大学）；TU Braunschweig（布伦瑞克工业大学）；IIT Bombay（印度理工学院孟买分校）
我们提出并分析了一个分布式的机器人群的环境巡逻的方法。我们的方法使用物理数据结构-工作空间的分布式三角测量。大量固定的“测绘”机器人覆盖和三角测量环境，少量的移动“巡逻”机器人在它们之间移动。这项工作的重点是制定、分析、执行和比较地方巡逻政策。我们希望实现全面覆盖的策略，但也产生良好的覆盖频率和访问次数。为这些数量提供理论保障的政策受到了一些关注，但差距仍然存在。我们提出：1）总结了如何通过构建工作空间的三角剖分来实现覆盖，以及随之而来的属性。2)描述简单的本地策略（LRV，最近最少访问和LFV，最不经常访问），以实现巡逻机器人的覆盖范围。3)新的分析参数，为什么不同版本的LRV可能需要最坏情况下的指数时间之间的访问三角形。4)分析证据表明，在我们的场景中，在对偶图的边缘上局部实现LFV是可能的，并且在最坏的情况下要好得多。5)实验和仿真验证了这些政策的实际用途，表明即使是少量的弱机器人与弱的本地信息可以大大超过一个单一的，强大的机器人与充分的信息和计算能力。
2014-10-08 cs.RO
Heterogeneous Multi-Robot Graph Coverage with Proximity and Movement Constraints
Bar Ilan University（巴伊兰大学）
针对带邻近与运动约束的多机器人图覆盖问题，提出形式化模型、FPT精确算法及两种树图上的PTAS近似方案，实现最少步数覆盖。
2024-12-17 cs.MA cs.RO
Multi-Robot Control Using Time-Varying Density Functions
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一种通过时变密度函数对机器人团队进行外部影响的方法。这些密度函数表示机器人应该位于何处的粗略参考。为此，提出了一种连续时间算法，移动机器人，以便提供最佳的覆盖率给定的密度函数，因为它们随着时间的推移而演变。所开发的算法代表了一个扩展到以前的覆盖率算法中，随时间变化的密度被明确考虑在一个可证明的方式。此外，该算法的分布式近似提出了机器人只需要从相邻的机器人访问信息。仿真和机器人实验表明，所提出的算法确实表现出所需的行为，在实践中，以及在理论上。
2014-04-01 cs.RO math.OC
Complete and Near-Optimal Robotic Crack Coverage and Filling in Civil Infrastructure
本文提出了一种同时基于传感器的检查和足迹覆盖(SIFC)规划与控制设计，用于自主机器人裂缝映射与填充。该方法通过在线构建目标地图实现未知目标信息的处理，并通过实验验证了算法在减少机器人行驶距离、保证完整感知覆盖和近最优足迹覆盖方面的有效性。
2024-09-28 cs.RO cs.SY eess.SY
Distributed area coverage control with imprecise robot localization: Simulation and experimental studies
University of Patras（帕特雷大学）
本文研究了具有不精确定位的移动机器人网络的区域覆盖问题，提出了一种基于保证Voronoi原理的分布式控制方法，通过仿真和实验验证了其有效性。
2016-12-14 cs.RO cs.SY eess.SY
Decentralized Coverage Path Planning with Reinforcement Learning and Dual Guidance
Shanghai Jiao Tong University（上海交通大学）
以分散的方式规划多机器人的覆盖路径，增强了覆盖任务处理不确定故障的鲁棒性。为了以分布式方式为每个机器人实现高效率，对复杂环境和合作代理意图的全面理解至关重要。不幸的是，现有的工作通常只考虑这些因素的一部分，导致不平衡的分区或不必要的重叠。为了解决这个问题，我们引入了一个分散的强化学习框架与双重指导训练每个代理，以解决分散的多覆盖路径规划问题，直接通过环境状态。由于分布式机器人需要其他意图来执行更好的覆盖效率，我们利用两种指导方法，人工势场和启发式指导，包括和整合其他意图到每个机器人的观察。通过我们构建的框架，结果表明我们的代理成功地学习确定自己的子区域，同时实现全覆盖，平衡的子区域和低重叠率。然后，我们在这些子区域内实现生成树覆盖，为每个机器人构建实际路线并完成给定的覆盖任务。我们的性能还与最先进的分散式方法进行了比较，显示重叠率最多降低10%，同时在类似环境中执行高效率。
2022-10-14 cs.RO cs.SY eess.SY
Hierarchical Integration of Model Predictive and Fuzzy Logic Control for Combined Coverage and Target-Oriented Search-and-Rescue via Robots with Imperfect Sensors
Delft University of Technology（代尔夫特理工大学）
在未知环境中进行搜救需要精确、最优和快速的决策。机器人是在未知环境中自主执行SaR任务的有希望的候选人。虽然人类使用他们的算法来有效地处理不确定性，但在存在物理和控制约束的情况下优化多个目标是一项数学挑战，需要机器计算。因此，具有人类启发和数学控制能力是SaR机器人所期望的。此外，协调机器人的决定，在大规模的SaR任务的计算成本很小是一个公开的挑战。最后，在现实生活中，SaR机器人感知的数据可能容易出现不确定性。我们引入了一个分层的多智能体控制架构，利用非均匀和不完美的感知能力的SaR机器人，以及计算效率和鲁棒性失败的分散控制方法和全局性能改进的集中控制方法。所提出的控制框架的集成结构允许以协调和计算效率高的方式将人类启发和数学决策方法相结合。各种基于计算机的模拟的结果表明，虽然所提出的方法的区域覆盖率是现有的探试法，特别是开发的覆盖面向SaR，效率的介绍方法在定位被困的受害者是显着更高。此外，具有可比的计算时间，所提出的控制方法成功地避免了潜在的冲突，存在于非合作的方法。这些结果证实，所提出的多智能体控制系统能够以平衡和协调的方式将面向覆盖和面向目标的SaR相结合。
2022-09-28 cs.RO cs.SY eess.SY
Optimal Transport-based Coverage Control for Swarm Robot Systems: Generalization of the Voronoi Tessellation-based Method
Toyota Central R&D Labs., Inc.（丰田中央研发实验室股份有限公司）
群机器人系统是由多个移动机器人组成的协作机器人系统，具有环境适应性和容错性等优点，受到了广泛的关注。这种系统的最重要的任务之一是覆盖控制，其中机器人自主部署，以近似给定的空间分布。在这项研究中，我们制定了一个覆盖控制范例使用的概念，最优输运，并提出了一种新的控制技术，我们称之为最优输运为基础的覆盖控制（OTCC）方法。建议的OTCC，通过梯度流的费用函数在Kantorovich对偶问题，所示出的覆盖广泛使用的现有控制方法作为一个特例。我们还进行了控制系统的李雅普诺夫稳定性分析，并提供数值计算表明，OTCC再现目标分布具有更好的性能比现有的控制方法。
2020-11-16 cs.RO cs.SY eess.SY
PDE-Based Optimization for Stochastic Mapping and Coverage Strategies using Robotic Ensembles
School for Engineering of Matter, Transport and Energy, Arizona State University（物质、传输与能量工程学院，亚利桑那州立大学）；School of Mathematical and Statistical Sciences, Arizona State University（数学与统计科学学院，亚利桑那州立大学）
本文提出基于偏微分方程的机器人群体控制框架，用于解决具有随机行为的机器人在有限感知与驱动能力下的映射与覆盖任务，通过凸优化和最优控制方法实现区域空间分布的重建与活动率调控。
2017-11-29 cs.RO cs.SY eess.SY
C*: A Coverage Path Planning Algorithm for Unknown Environments using Rapidly Covering Graphs
Dept. of Electrical and Computer Engineering, University of Connecticut（电气与计算机工程系，康涅狄格大学）
C*是一种基于快速覆盖图的未知环境覆盖路径规划算法，通过高效采样和修剪技术实现最优覆盖，显著提升覆盖效率并防止覆盖孔形成。
2026-03-06 cs.RO cs.SY eess.SY
Distributed Area Coverage Control with Imprecise Robot Localization
本文研究了不精确定位下移动机器人网络的区域覆盖问题，基于保证Voronoi原理划分空间，提出了一种具有固有避碰特性的分布式控制律。
2024-10-12 cs.SY eess.SY
Pose State Perception of Interventional Robot for Cardio-cerebrovascular Procedures
Tongji University（同济大学）
针对心脑血管介入手术中机器人位姿感知难题，提出无额外传感器/标记的三部分视觉框架，含双头多任务U-Net检测、骨架优化、几何特征感知系统，实验验证其轨迹跟踪与位姿感知的高可靠性与准确性。
2025-06-17 cs.RO cs.SY eess.SY
Distributed Adaptive Coverage Control of Differential Drive Robotic Sensors
IITB-Monash Research Academy（IITB-莫纳什研究学院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）；Monash University（莫纳什大学）
本文研究了多个移动机器人在区域Q内的自主覆盖问题。使用可能不是先验已知的密度函数来描述要覆盖的区域。本文将覆盖问题归结为一个在Q上的函数空间上的优化问题。特别是，我们期待在L 2距离为基础的覆盖算法，并获得自适应控制法律相同。我们还提出了一个修改后的自适应控制法律纳入共识，以更好的参数收敛。我们实现了真正的差分驱动机器人与模拟密度函数以及密度函数使用光源实现的算法。我们还比较了基于L2距离的方法与位置优化方法的实验。
2019-08-03 cs.MA cs.RO cs.SY
