MASH: Cooperative-Heterogeneous Multi-Agent Reinforcement Learning for Single Humanoid Robot Locomotion
Faculty of Robot Science and Engineering, Northeastern University（机器人科学与工程学院，东北大学）；Guangdong Key Laboratory of Intelligent Morphing Mechanisms and Adaptive Robotics and School of Intelligence Science and Engineering, the Harbin Institute of Technology Shenzhen（智能变形机制与适应机器人重点实验室和智能科学与工程学院，哈尔滨工业大学深圳）
本文提出MASH方法，将单个人形机器人的四肢视为独立智能体并共享全局评论家进行协作-异构多智能体强化学习，有效加速了训练收敛并提升了全身协作能力，优于传统单智能体方法。
2025-08-14 cs.AI cs.RO cs.SY
Co-jump: Cooperative Jumping with Quadrupedal Robots via Multi-Agent Reinforcement Learning
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系自适应机器人控制实验室）；EngineAI
本研究通过多智能体强化学习实现四足机器人协同跳跃，显著提升垂直跳跃能力，无需显式通信或预设运动原语。
2026-02-11 cs.AI cs.LG cs.RO
Safety-Critical Centralized Nonlinear MPC for Cooperative Payload Transportation by Two Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）；The University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
本文提出一种安全关键性集中非线性MPC框架，用于双六足机器人协同运输载荷。通过holonomic约束和交互力偶捕捉耦合动力学，采用CBF方法确保安全避障，通过实验验证有效性。
2026-04-03 cs.RO math.OC
Cooperative coevolution of real predator robots and virtual robots in the pursuit domain
Southern University of Science and Technology（南方科技大学）；University of Technology Sydney（悉尼科技大学）
追捕域，或捕食者-猎物问题是研究协调技术的标准测试平台。尽管它的问题设置看似简单，但对新兴的群体智能的研究却具有挑战性。本文提出了一种基于粒子群优化（PSO）的（捕食者）机器人的合作协同进化算法，称为CCPSO-R，其中真实和虚拟机器人共存的进化算法（EA）。虚拟机器人采样和探索附近的相应的真实机器人，并作为他们的行动空间，而真正的机器人包括真正的捕食者谁实际上追求猎物机器人没有固定的行为规则的直接指导下的适应度函数，这是设计在一个模块化的方式非常有限的领域知识。此外，运动学限制和避免碰撞的考虑被集成到机器人的更新规则。在一个具有4种捕食类型的可扩展捕食机器人群体上进行了实验，实验结果表明了CCPSO-R的可靠性、通用性和可扩展性。与典型的基于动态路径规划的算法MAPS进行了比较，进一步验证了CCPSO-R的有效性。最后，本文的代码可在https://github.com/LijunSun90/pursuitCCPSOR上公开获得。
2021-08-31 cs.MA cs.RO
A GFML-based Robot Agent for Human and Machine Cooperative Learning on Game of Go
National University of Tainan（台南大学）；Osaka Prefecture University（大阪府立大学）；Tokyo Metropolitan University（东京都立大学）
应用遗传算法和模糊置标语言构建了一个围棋人机协作学习系统。基于遗传模糊置标语言（GFML）的机器人Agent可以在各种机器人上工作，包括Palro、Pepper和TMUs机器人。我们使用FAIR开源Darkforest和OpenGo AI机器人的参数来构建Open Go Darkforest（OGD）云平台的知识库，用于学生在互联网上学习。此外，我们采用AlphaGo Master 60场在线对弈的数据作为训练数据，构建了协同学习系统的知识库和规则库。首先，Darkforest根据OGD平台上每个游戏的各种模拟数和匹配率预测胜率，然后OpenGo的胜率作为最终的期望输出。实验结果表明，该方法可以提高Darkforest和OpenGo人工智能机器人在不同模拟次数下的预测能力。
2019-01-22 cs.AI
Autonomous Reality Modelling for Cultural Heritage Sites employing cooperative quadrupedal robots and unmanned aerial vehicles
New York University Abu Dhabi（纽约大学阿布扎比分校）；University of the Aegean（爱琴大学）
本文提出利用自主四足机器人与无人机协同执行文化遗产地的三维实景建模，以系统化、可重复的方式减少人工干预，成果可服务于数字孪生平台中的安全监测与管理。
2024-02-20 cs.AI cs.LG cs.RO
Multi-Robot Cooperative Navigation in Crowds: A Game-Theoretic Learning-Based Model Predictive Control Approach
University of Delaware（特拉华大学）；Cornell University（康奈尔大学）；Honda Research Institute USA, Inc.（美国本田研究院有限公司）
本文提出一种结合局部模型预测控制与社交长短期记忆的框架，通过将多机器人导航和人际交互建模为博弈并采用迭代最佳响应求解，实现拥挤环境下多机器人协同导航。
2023-10-10 cs.MA cs.RO
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
An Online Optimization-Based Trajectory Planning Approach for Cooperative Landing Tasks
Institute of Engineering and Computational Mechanics, University of Stuttgart（斯图加特大学工程与计算力学研究所）；Department of Mechanical Engineering, LUT University（卢托拉大学机械工程系）
本文提出了一种基于在线优化的协作着陆轨迹规划方法，通过互补约束实现多机器人自主协调，提升着陆任务的安全性和效率。
2025-02-19 cs.RO
Layered Control for Cooperative Locomotion of Two Quadrupedal Robots: Centralized and Distributed Approaches
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对两个完整约束四足机器人的鲁棒协作运动，提出了一种实时轨迹规划和控制的分层控制方法。提出了一种基于单刚体动力学的新型互联网络降阶模型，用于轨迹规划。在更高层次的控制架构，两个不同的模型预测控制（MPC）算法，提出了解决最优控制问题的互联SRB动态：集中式和分布式MPC。分布式MPC假设两个局部二次规划，根据一步通信延迟和协议共享其最优解。在较低层次的控制方案，分布式非线性控制器的开发，施加全阶动态跟踪规定的降低了由MPC产生的轨迹。控制方法的有效性进行了验证与广泛的数值模拟和实验的鲁棒性和合作运动的两个holonomically约束A1机器人与不同的有效载荷在可变的地形和干扰的存在下。结果表明，分布式MPC具有类似的集中式MPC的性能，而计算时间显着减少。
2022-11-13 cs.RO math.OC
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
Demonstrations of Cooperative Perception: Safety and Robustness in Connected and Automated Vehicle Operations
The University of Sydney（悉尼大学）；Cohda Wireless（科达无线）
协同感知（cooperative perception）或集体感知（collective perception，CP）是智能交通系统（intelligent transportation systems，ITS）中的一项新兴技术。它使ITS站（ITS-S）能够通过车辆对X（V2X）通信与其他站共享其本地感知信息，从而提高道路运输的效率和安全性。在本文中，我们介绍了我们最近的进展，在发展的连接和自动驾驶汽车（CAV）和智能路边单元（IRSU）。我们提出了三个不同的实验，以证明在智能基础设施中使用CP服务，以提高对弱势道路使用者（VRU）的认识，从而提高CAV在各种交通场景中的安全性。我们在实验中证明，联网车辆（CV）可以“看到”拐角处的行人。更重要的是，我们展示了CAV如何自主和安全地与步行和跑步的行人进行交互，仅依赖于IRSU通过车辆到基础设施（V2I）通信提供的CP信息。这是仅使用CP信息的城市车辆自动化的首批演示之一。我们还解决在文件中的集体感知信息（CPM）从IRSU接收的处理，并通过管道的CP信息坐标变换的不确定性，多个道路使用者跟踪，并最终在CAV的路径规划/决策。实验结果是通过手动驾驶CV、全自主CAV和一个装有视觉和激光传感器以及道路用户跟踪系统的IRSU获得的。
2021-01-14 cs.RO
ED3R: Energy-Aware Distributed Disaster Detection via Cooperative Agents in Robotic Systems
Dept. of Informatics and Telecommunications, National and Kapodistrian University of Athens（雅典大学信息学与电信系）；Huawei Heisenberg Research Center (Munich)（华为海森堡研究中心（慕尼黑））
提出ED3R框架，通过机器人-远程控制器分层协作与分布式神经回归预测，在不确定性下以最低能耗实现野火检测，成功率达97.18%，能耗降低36.4%，检测速度提升41%。
2026-10-08 cs.AI cs.CV cs.MA
Worker Robot Cooperation and Integration into the Manufacturing Workcell via the Holonic Control Architecture
Fraunhofer Institute for Computer Graphic Research IGD（弗劳恩霍夫计算机图形研究所）；University of Rostock（罗斯托克大学）；Johannes Kepler University Linz（约翰内斯·开普勒林茨大学）
本文提出采用合弄控制架构实现工人与双臂机器人在制造工作单元中的分布式自主协作，并通过手势交互案例验证其可行性，以提升生产灵活性。
2024-03-30 cs.AI cs.MA cs.RO
Impact of Information Flow Topology on Safety of Tightly-coupled Connected and Automated Vehicle Platoons Utilizing Stochastic Control
Univ. of Georgia（佐治亚大学）；Univ. of Central Florida（中佛罗里达大学）
通过车联网（V2X）通信实现的协同驾驶有望为交通系统的安全和效率做出重大贡献。协同自适应巡航控制（CACC）是一种重要的协同驾驶应用，近年来已成为许多研究的主题。使用CACC的主要动机是减少交通拥堵，提高交通流量、交通吞吐量和公路通行能力。由于协同车辆之间的信息流可以显着影响一个队列的动态，控制组件的设计和性能是紧密依赖于通信组件的性能。此外，信息流拓扑（IFT）的选择可以影响某些排属性，如稳定性和可扩展性。虽然通过使用V2X通信可以将协作车辆感知扩展到多个前驱信息，但是通信技术仍然存在可扩展性问题。因此，合作的车辆需要预测对方的行为，以补偿非理想的通信的影响。提出了基于模型的通信（MBC）的概念，通过引入一种新的灵活的内容结构来广播联合车辆动态/驾驶员行为模型，以增强非理想通信下的协作车辆感知。通过利用非参数（贝叶斯）建模方案，即，高斯过程回归（GPR），和MBC的概念，本文开发了一种离散的混合随机模型预测控制的方法，并检查通信损耗和不同的信息流拓扑结构的性能和安全的排的影响。结果表明，使用更多的车辆信息，在响应时间和安全性方面有所改善，验证了合作的潜力，以减少干扰，提高交通流量和安全性。
2022-03-29 cs.RO cs.SY eess.SY
Distributed Path Planning for Executing Cooperative Tasks with Time Windows
University of Minnesota（明尼苏达大学）
我们研究的分布式规划的机器人轨迹最优执行的合作任务的时间窗口。在这种设置中，每个任务都有一个值，如果在指定的时间窗口内有足够多的机器人同时出现在必要的位置，则完成任务。任务在周期内定期到达。任务规格（所需的机器人数量，位置，时间窗口和价值）是未知的先验和机器人试图通过规划自己的轨迹为即将到来的周期基于他们过去的观察在分布式的方式完成的任务的价值最大化。考虑到充电和维护需求，机器人需要在环境中指定的站点开始和结束每个循环。我们将这个问题映射到一个博弈论公式，并通过分布式学习最大限度地提高集体性能。一些仿真结果也证明了所提出的方法的性能。
2019-08-15 cs.MA cs.RO cs.SY
Cooperative Distributed MPC via Decentralized Real-Time Optimization: Implementation Results for Robot Formations
Institute for Energy Systems, Energy Efficiency and Energy Economics, TU Dortmund University（能源系统、能源效率与能源经济学研究所，德累斯顿理工大学）；Institute of Engineering and Computational Mechanics, University of Stuttgart（工程与计算力学研究所，斯图加特大学）
本文提出一种基于协同 DMPC 的移动机器人编队控制方法，结合 ADMM 与分散式序列二次规划实现无中央协调器的分散式实时优化，实验验证了其有效性与实时可行性。
2023-05-24 cs.RO cs.SY eess.SY
Multi-robot Social-aware Cooperative Planning in Pedestrian Environments Using Multi-agent Reinforcement Learning
行人参与环境中多机器人安全、高效的协同规划具有广阔的应用前景。在部分变维观测和不完全感知条件下，提出了一种基于离策略多智能体强化学习（MARL）的多机器人社会感知高效协作规划器.我们采用基于时空图（TSG）的社会编码器，以更好地提取每个机器人和行人在其视野（FOV）的社会关系的重要性。此外，我们在多机器人RL框架中引入K步前瞻奖励设置，以避免机器人产生的侵略性，侵入性，短视和不自然的运动决策。此外，我们改进了传统的集中式评论家网络与多头全局注意力模块，更好地聚集不同机器人之间的局部观察信息，以指导个体的策略更新过程。最后，多组实验结果验证了所提出的协作运动规划器的有效性。
2022-11-29 cs.AI cs.RO
High-level Decisions from a Safe Maneuver Catalog with Reinforcement Learning for Safe and Cooperative Automated Merging
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
强化学习（RL）最近被用于解决自动驾驶背景下具有挑战性的决策问题。然而，所提出的基于RL的策略的主要缺点之一是缺乏安全保证，因为它们努力减少预期的碰撞次数，但仍然容忍它们。在本文中，我们提出了一个有效的基于RL的决策管道，用于合并场景中的安全和合作自动驾驶。RL代理能够预测当前情况并提供高层决策，指定负责安全的低级计划器的操作模式。为了学习更通用的策略，我们提出了一个可扩展的RL架构的合并方案，是不敏感的环境配置的变化。根据我们的实验，建议RL代理可以有效地识别合作的司机从他们的车辆状态历史，并产生交互式操纵，从而更快，更舒适的自动驾驶。同时，由于规划器内部的安全约束，所有的机动都是无碰撞和安全的。
2021-07-15 cs.AI cs.RO
Cooperative-Competitive Team Play of Real-World Craft Robots
Tencent Robotics X Laboratory（腾讯机器人实验室）；Tsinghua University（清华大学）
本文提出了一种针对现实世界工艺机器人协作与竞争任务的强化学习方法，通过引入OODSI技术提升仿真到现实的迁移性能。
2026-02-24 cs.AI cs.RO
Q-CP: Learning Action Values for Cooperative Planning
Sapienza University of Rome（罗马第一大学）
多机器人系统的研究在许多领域和应用中都取得了可喜的成果。尽管如此，由于非结构化场景，高不确定性和大状态维度（例如超冗余和机器人组），有效地学习有效的机器人行为是非常困难的。为了缓解这个问题，我们提出了Q-CP一个合作的基于模型的强化学习算法，它利用行动值（1）指导探索的状态空间和（2）生成有效的政策。具体来说，我们利用Q学习攻击的维数在蒙特卡罗树搜索的迭代。我们在不同的随机合作（一般和）游戏中实现和评估Q-CP：（1）3个机器人之间的简单合作导航问题，（2）一对KUKA YouBots之间的合作场景执行移交，以及（3）两个移动机器人之间的协调任务进入一扇门。所得到的结果表明，Q-CP在所选的应用程序，其中的动作值驱动的探索和减少规划过程中的计算需求，同时实现良好的性能的有效性。
2018-03-01 cs.AI cs.RO
Human-Robot Interaction in Retinal Surgery: A Comparative Study of Serial and Parallel Cooperative Robots
Johns Hopkins University（约翰斯·霍普金斯大学）；Wilmer Eye Institute, Johns Hopkins Hospital（约翰斯·霍普金斯医院威尔默眼科研究所）
本研究比较了串联与并联协作控制机器人在视网膜血管跟随任务中的人机交互性能与用户体验，发现两者在患者交互和操作时间上表现相似，均可有效用于玻璃体视网膜手术。
2023-04-01 cs.RO
A Cooperative Positioning Flamework for Robot and Smart Phone Based on Visible Light Communication
South China University of Technology（华南理工大学）
提出了一种基于可见光通信（VLC）的人-机器人协同定位框架。实验结果表明，该系统具有较高的精度和实时性，是可行的。
2022-10-20 cs.RO
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
ConPoSe: LLM-Guided Contact Point Selection for Scalable Cooperative Object Pushing
Department of Computer Science and Artificial Intelligence, University of Technology Nuremberg（计算机科学与人工智能系，图恩大学）
针对多机器人协作推动物体时接触点选择可扩展性差的问题，提出结合大语言模型推理与局部搜索的ConPoSe方法，在多种形状上优于解析法和纯LLM法。
2025-10-09 cs.AI cs.RO
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
Distributed Safe Cooperative Vector Field for Trajectory Curvature Constrained Multi-Robot Systems
Hunan University（湖南大学）；National University of Defense Technology（国防科技大学）
针对多机器人轨迹曲率约束问题，提出分布式安全协作向量场方法，结合协作与避碰向量场，仅需邻居单个虚拟变量实现协作与避障，经仿真和实验验证。
2026-09-15 cs.RO
Multi-Robot System for Cooperative Exploration in Unknown Environments: A Survey
Fellow IEEE Tsinghua University（IEEE Fellow 清华大学）；Zhejiang University（浙江大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
该综述针对大规模极端环境探索需求，提出多机器人协同探索的模块化研究框架，系统梳理定位建图、协同运动、通信等核心模块技术，介绍其在DARPA地下挑战赛的应用，并分析挑战与未来方向。
2025-05-21 cs.RO
Cooperative Collision Avoidance in Mobile Robots using Dynamic Vortex Potential Fields
Technische Universität Dortmund（多特蒙德工业大学）；International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
本文研究了非完整机器人在二维平面内作匀速直线运动时的避碰问题。的机动，以避免碰撞的设计使用动态涡流势场（PF）和它们的负梯度;这种提法导致机器人之间的相互行为，表示为合作。排斥场被选择为机器人相对于另一个机器人的速度和位置的函数，并且在其定义中引入涡度保证了不存在局部最小值。只有当机器人处于与其他移动机器人或静止障碍物碰撞的路径上时，才会激活这种排斥场。通过分析极坐标系下基于运动学的啮合动力学，它表明，合作机器人是能够避免碰撞与非合作机器人，如固定和等速机器人，以及那些积极寻求与它碰撞的PF参数的条件确定，确保避免碰撞的所有情况下。使用移动机器人平台获得的实验结果支持的理论贡献。
2022-11-24 cs.RO
Shape Formation for the Cooperative Transportation of Arbitrary Objects Using Multi-Agent Reinforcement Learning
University of Technology Nuremberg（纽伦堡工业大学）
提出一种多智能体强化学习方法，使多机器人系统自主形成支撑任意形状和非均匀质量分布物体的编队，同时避免障碍物，实现可靠且泛化的协同运输。
2026-06-08 cs.AI cs.RO
Rebellion and Obedience: The Effects of Intention Prediction in Cooperative Handheld Robots
University of Bristol（布里斯托大学）
在这项工作中，我们探索的意图推断的情况下，手持机器人设置的用户动作。手持机器人共享手持工具的形状和属性，同时能够处理任务信息和辅助操作。在这里，我们提出了一个意图预测模型，以提高合作任务解决。该模型从使用机器人安装的远程眼睛跟踪器捕获的用户的凝视模式中获得意图。所提出的模型产生的实时能力和可靠的精度高达1.5秒之前，预测的行动正在执行。我们评估的模型在一个辅助拾取和放置任务，并显示机器人的意图，服从或叛乱影响与机器人的合作。
2019-03-19 cs.RO
Towards Cooperative Transport of a Suspended Payload via Two Aerial Robots with Inertial Sensing
City University of Hong Kong（香港城市大学）
研究了由两个空中机器人吊运点质量的协同运输问题。将机器人视为领导者和跟随者，跟随者仅使用来自其惯性测量单元（IMU）的反馈来相对于领导者稳定系统。这是通过忽略领导者的加速度，通过广义坐标或电缆的角度分析系统，并采用基于IMU测量的观测模型来实现的。基于扩展卡尔曼滤波器（EKF）和控制器的轻量级估计器推导出稳定的机器人负载机器人系统。所提出的方法进行了验证，广泛的飞行实验，首先与一个机器人，然后与两个机器人。仿真结果表明，该跟踪器仅利用惯性测量单元的测量值就能实现期望的准静态轨迹。研究结果表明，通过小型飞行机器人以最小的传感和计算要求实现自主合作运输悬浮有效载荷的目标取得了可喜的进展。
2020-07-29 cs.RO
The role of successful human-robot interaction on trust -- Findings of an experiment with an autonomous cooperative robot
KUKA（库卡）；Ulm University（乌尔姆大学）
本文的基础是一个实验，15名参与者直接与自主机器人进行交互。参与者的任务是在两种不同的设置中携带一张桌子，以及一个机器人，该机器人旨在支持老年人完成繁重的任务。通过收集和分析观察，定量和定性数据的相互作用进行了调查，特别强调在机器人的信任。总体目标是更好地理解人们在日常场景中与功能机器人接触时的情感和评价反应。这项研究表明，成功的合作任务完成有积极的影响信任和其他相关的评价，如感知适应性关于机器人的行为。
2021-04-14 cs.RO
Co-NavGPT: Multi-Robot Cooperative Visual Semantic Navigation Using Vision Language Models
Faculty of Science and Engineering, University of Groningen（工程学院，格罗宁根大学）
Co-NavGPT提出将视觉语言模型作为全局规划器，通过聚合多机器人子地图并分配前沿区域，实现无需任务特定训练的高效多机器人协作视觉语义导航。
2025-05-06 cs.AI cs.RO
ChoiRbot: A ROS 2 Toolbox for Cooperative Robotics
University of Bologna（博洛尼亚大学）
在本文中，我们介绍ChoiRbot，一个工具箱，分布式合作机器人的基础上，新的机器人操作系统（ROS）2。ChoiRbot提供了一个功能齐全的工具集来执行复杂的分布式多机器人任务，无论是在模拟还是实验中，特别关注没有中央协调器的异构机器人网络。由于其模块化结构，ChoiRbot允许高度直接实现基于优化的分布式控制方案，如分布式最优控制，模型预测控制，任务分配，其中本地计算和与相邻机器人的通信交替进行。为此，工具箱提供了解决分布式优化问题的功能。该软件包还可以用于实现分布式反馈法，不需要优化功能，但需要机器人之间的信息交换。的工具箱的潜力与移动地面机器人的分布式机器人方案的模拟和实验说明。ChoiRbot工具箱可在https://github.com/OPT4SMART/choirbot上找到。
2021-03-12 cs.RO
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
Cooperative and Asynchronous Transformer-based Mission Planning for Heterogeneous Teams of Mobile Robots
McMaster University（麦克马斯特大学）
针对异构移动机器人团队在通信受限、资源有限下的协作规划难题，提出基于MARL与AMAT架构的CATMiP框架及CMacDec-POMDP模型，采用异步集中训练分布式执行方案，实验验证其在效率、可扩展性与抗干扰性上更具优势。
2025-07-31 cs.AI cs.RO
Decentralized Cooperative Multi-Robot Localization with EKF
Southern University of Science and Technology（南方科技大学）
多机器人定位是机器人协同完成复杂任务的关键问题。在本文中，我们提出了一个分散的方法来本地化一组机器人在一个大的无特征的环境。所提出的方法只需要至少有一个机器人保持静止作为一个临时地标在一定的时间内。我们方法的新颖性有三个方面：（1）开发一种分散的方案，每个机器人计算它们自己的状态，并且只存储最新的状态，以减少存储和计算成本，（2）通过扩展的卡尔曼滤波器（EKF）开发一种有效的定位算法，该算法仅使用相对位姿的观测来估计机器人位置，（3）开发一种对地标要求更少，对观测不足更鲁棒的方案。使用五个机器人配备相对姿态测量传感器进行各种模拟和实验，以验证我们的方法的优越性能。
2018-11-19 cs.RO
Viewing Robot Navigation in Human Environment as a Cooperative Activity
LAAS-CNRS, Universit de Toulouse, CNRS（法国国家科学研究中心系统分析与架构实验室，图卢兹大学，法国国家科学研究中心）
我们认为，在人类环境中的导航可以被视为合作活动，特别是在约束的情况下。人类在一个共享的空间中移动时，同时相互帮助和遵守。合作有助于行人有效地达到自己的目标，并尊重他人的个人空间等公约。为了达到与人类相当的效率，机器人需要预测人类的轨迹，并在同一共享空间中相应地规划自己的轨迹。在这项工作中，我们提出了一个导航规划，能够规划这样的合作轨迹，同时执行机器人的运动学约束，避免其他非人类的动态障碍。使用强大的社会约束的预计时间到未来可能发生的碰撞，兼容性的人-机器人运动方向，和mathemics，我们的计划是能够复制类人的导航行为，不仅在开放的空间，而且在封闭的区域。除了调整机器人轨迹，规划者还能够通过在同一优化框架内联合计算人类和机器人轨迹来主动提出协同导航解决方案。我们展示了丰富性和性能的合作规划与模拟和现实世界的实验上的多个交互式导航方案。
2017-08-16 cs.RO
Multi-Robot Cooperative Socially-Aware Navigation Using Multi-Agent Reinforcement Learning
Purdue University（普渡大学）；College of Mechanical and Electrical Engineering, Beijing University of Chemical Technology（北京化工大学机电工程学院）
针对公共空间多机器人社会导航存在的仿真现实差距问题，提出结合时空Transformer与多智能体强化学习的SAMARL基准及对应Dec-POSMDP环境，实验证明其性能优于现有基线与消融模型。
2024-05-15 cs.RO
Cooperative Transportation using Multiple Single-Rotor Robots and Decentralized Control for Unknown Payloads
Cloud Informatics Research-Domain, Toyota Central R&D Labs., Inc.（丰田中央研究实验室云信息研究部门）；R-Frontier Division, Frontier Research Center. Toyota Motor Corporation（丰田电机公司前沿研究中心R前沿部门）
本研究提出了一种基于刚性连接单旋翼机器人和分散控制的协同运输系统，通过反馈控制保证未知严格正实系统的渐近稳定性，并通过仿真与八机器人实验验证了其在未知负载及机器人故障条件下的运输能力。
2025-05-06 cs.RO
Autonomous Cooperative Transportation System involving Multi-Aerial Robots with Variable Attachment Mechanism
Cloud Informatics Research-Domain, Toyota Central R&D Labs., Inc.（云信息技术研究领域，丰田中央研发实验室）
本文提出一种多空中机器人自主协同运输系统，利用贝叶斯估计重心并优化附着编队，实现对未知形状、重量和尺寸载荷的稳定运输。
2025-05-06 cs.RO
Three Cooperative Robotic Fabrication Methods for the Scaffold-Free Construction of a Masonry Arch
Princeton University（普林斯顿大学）；University of Bergamo（贝加莫大学）；Skidmore, Owings & Merrill (SOM)（斯基德莫尔、奥因斯与梅里尔建筑事务所（SOM））
几何形状复杂的砌体结构（例如，拱、圆顶、拱顶）传统上是用昂贵的脚手架或脚手架来建造的，以在建造过程中提供稳定性。通过使用多个机器人在协作装配框架中一起工作，可以潜在地改进构建这种结构的过程。在这里，机器人被设想为在制造期间的放置和外部支撑代理-未完成的结构以不需要脚手架的方式被支撑。本文的目标是提出并验证三个合作的制造方法，使用两个或三个机器人的有效性，为无支架施工的稳定的圬工拱，从中建立一个中等跨度的拱顶。首先提出了一种简化的数值方法来表示砌体结构，并验证了分析系统组成的离散体积元素。然后，该方法被用来评估三个合作的机器人制造策略的稳定性能的中央arch. The顺序的方法和悬臂梁的方法，利用两个机器人arms的效果，被证明是可行的方法，但有相关的可扩展性和鲁棒性的挑战。通过添加第三机器人代理，可以通过多目标优化过程来确定结构上最优的制造顺序。优化的三个机器人的方法，显着改善结构的行为在所有的制造步骤。在本文中提出的建模方法是广泛制定和广泛适用于分析的合作机器人制造序列的离散元结构的建设跨越规模和材料。
2021-04-10 cs.RO
Asynchronous Multi-Agent Reinforcement Learning for Efficient Real-Time Multi-Robot Cooperative Exploration
Tsinghua University（清华大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Tongji University（同济大学）；Shanghai Qi Zhi Institute（上海期智研究院）
针对真实多机器人协同探索中同步假设导致的效率低下问题，本文提出异步MARL框架ACE，扩展MAPPO并引入动作延迟随机化与团队规模无关的CNN策略，在仿真和真实环境中分别减少超10%探索时间并在Habitat中提升28%效率。
2023-04-11 cs.AI cs.RO
Hierarchical Needs Based Self-Adaptive Framework For Cooperative Multi-Robot System
University of Georgia（佐治亚大学）
在多机器人和群体系统的研究已经看到了显着的兴趣在复杂和动态环境中的代理合作。为了有效地适应未知环境，使群体效用最大化，机器人需要合作，共享信息，并根据具体场景制定合适的计划。受马斯洛需求层次理论和系统理论的启发，本文引入机器人需求层次理论，提出了一种新的解决方案--自适应群体系统（SASS）。它结合了多机器人的感知，通信，规划和执行与冲突的合作管理，通过一个分布式的协商协议机制，优先考虑机器人的需求。我们还通过几个原子操作，如选择，形成和路由，将复杂的任务分解成简单的可执行行为。我们评估SASS通过模拟静态和动态任务，并将它们与最先进的碰撞感知任务分配方法集成到我们的框架。
2020-08-29 cs.RO
Extended Version: Multi-Robot Motion Planning with Cooperative Localization
本文针对噪声下多机器人协作定位运动规划问题，提出一种考虑机器人间相关性且保证安全与概率完备性的采样规划算法，并通过偏置技术显著提升规划效率。
2025-04-08 cs.MA cs.RO
Task-priority Intermediated Hierarchical Distributed Policies: Reinforcement Learning of Adaptive Multi-robot Cooperative Transport
Graduate School of Information Science, Nara Institute of Science and Technology (NAIST)（奈良科学技术大学信息科学研究生院）；R-Frontier Division, Frontier Research Center, Toyota Motor Corporation（丰田汽车公司前沿研究中心R前沿部）
本文提出分层分布式多智能体强化学习框架TIHDP，利用动态任务优先级连接局部任务分配与机器人控制，实现数量变化场景下的自适应多机器人协作运输。
2024-04-02 cs.RO
Human-Robot Cooperative Piano Playing with Learning-Based Real-Time Music Accompaniment
Univ（大学）
本文提出基于非语言线索的人机协作钢琴演奏框架，采用RNN预测和弦即兴创作，结合行为自适应控制器实现实时同步，实验显示93%准确率，验证了人机艺术协作的有效性。
2024-09-18 cs.RO
Multi-robot Cooperative Pursuit via Potential Field-Enhanced Reinforcement Learning
Sun Yat-sen University（中山大学）
这是一个巨大的挑战，虽然有前途，协调集体机器人狩猎逃避者在一个分散的方式纯粹根据当地的观察。在本文中，这一挑战是解决了一种新的混合协同追踪算法，结合强化学习与人工势场法。在该算法中，分散的深度强化学习是用来学习合作的追求政策，是适应动态环境。将人工势场法作为预定义规则融入到学习过程中，提高了数据效率和泛化能力。数值仿真结果表明，所提出的混合设计优于香草强化学习或势场法设计的追求策略。此外，通过将学习到的追踪策略转移到现实世界的移动机器人中进行实验。实验结果表明，该算法在学习多个合作追捕策略的可行性和潜力。
2022-03-09 cs.AI cs.MA cs.RO
Tensegrity Continuum Robots Enable Task-Adaptive Morphologies for Cooperative Behaviors
该研究提出结合张拉整体柔顺主体与爪式连接机构的模块化可重构机器人，可自重构为不同形态完成协同任务，为多功能机器人群体应用奠定基础。
2026-09-28 cs.RO
A Survey on Blockchain Technology and Its Potential Applications in Distributed Control and Cooperative Robots
The Hong Kong Polytechnic University（香港理工大学）；Shanghai University（上海大学）
作为一种颠覆性的技术，区块链，特别是比特币作为一种数字货币的原始形式，引起了人们的极大关注。创新的分布式决策和安全机制为其成功奠定了技术基础，使我们考虑将区块链技术的力量渗透到分布式控制和协作机器人中，其中对分布式和安全机制的要求也很高。实际上，安全和分布式通信一直是分布式控制和协作机器人领域中尚未解决的问题。分布式控制系统和多机器人系统的网络故障和入侵者攻击已被报道。区块链技术提供了彻底纠正这种情况的承诺。这项工作旨在以控制和机器人语言创建区块链技术的工作原理和关键要素的全球图景，为初学者提供进入这一研究领域的捷径。
2018-12-20 cs.CR cs.RO
A Tutorial on Distributed Optimization for Cooperative Robotics: from Setups and Algorithms to Toolboxes and Research Directions
University of Bologna（博洛尼亚大学）
本文探讨了分布式优化在协作机器人中的应用，介绍了约束耦合和聚合优化框架，并展示了相关算法、工具箱及在异构机器人网络上的实验验证。
2025-04-02 cs.RO math.OC
MROPE: A Multi-Robot Safe Cooperative Strategy via combined Predictive Safety Filters and Ellipse-based Constraint Compression
Alma Mater Studiorum - Università di Bologna（博洛尼亚大学）；Leonardo S.p.a.（莱昂纳多公司）；Leonardo Innovation Labs（莱昂纳多创新实验室）
针对杂乱环境中无人机群追踪动态目标的计算与安全挑战，研究提出MROPE分层策略，结合分布式聚合优化、分布式共识方案与预测安全滤波器，通过动态聚合障碍物为椭圆保障安全，实验验证其效率与可扩展性优于集中式方法。
2026-08-03 cs.RO cs.SY eess.SY
Cooperative UWB-Based Localization for Outdoors Positioning and Navigation of UAVs aided by Ground Robots
University of Turku（图尔库大学）
随着对航空数据的需求不断增加，无人机（UAV）变得越来越普遍。在许多工业应用中，精确的数据汇集所需的精确导航和定位通常依赖于RTK GNSS。这些系统能够达到厘米级精度，需要设置和校准过程，并且相对昂贵。研究了无人机协同定位的精确定位与导航问题。安装在无人机和支持地面机器人上的廉价超宽带（UWB）收发器可以实现厘米级的相对定位。该系统具有快速部署和广泛的设置灵活性，能够适应不同的环境，也可以在拒绝GNSS的环境中使用。通过广泛的模拟和测试场，我们评估了系统的准确性，并将其与多路径传输降低准确性的城市环境中的GNSS进行比较。为了完整性，我们在实验中包括视觉惯性测距和比较的性能与UWB为基础的合作定位。
2021-04-01 cs.RO
