机器人群体中基于领域约束的联盟形成的可行性研究
ROBOTIC_COLLECTIVES 需要 COALITION_FORMATION_ALGORITHMS 来形成适当的 TASK_TEAMS,其中涉及到多个高级机器人行为或服务,文中提出了 GRAPE-S 和 Pair-GRAPE-S 两个新算法进行评估,结果显示它们能够实现大规模、分布式群体中的近实时联盟形成,并提供接近最优解。
Oct, 2023
考虑到 UAV 联盟形成的低相关性与稳定性问题,本文提出了一种基于任务驱动的多 UAV 联盟网络协同任务完成模型,通过收益阈值和 Shapley 值实现联盟形成与稳定的分配,有效提升联盟的整体效益。
Mar, 2024
通过将基于梯度的软体物理模拟器的规划器提炼成基于注意力机制的神经网络,我们的多机器人操作系统在适应环境变化、处理任务时表现更好,并且可以应用于训练中未见过的配置。
Nov, 2022
本文介绍一个通用的、广泛涉及机器人、计算机科学、运筹学和人工智能等领域的任务分配问题,包括机器人、任务和周围环境状态的多个版本,并探讨了解决该问题的现有方法,包括基于优化和市场的方法。
Jul, 2022
本文综述了多智能体集体行为算法并按照其数学结构进行分类。我们分析了每种数学技术可以应用于的多智能体协调任务,以及其可扩展性,带宽使用情况和已经证明的成熟度。我们强调了如人工势函数之类的多才多艺的技术可以用于从低级位置控制到高级协调和任务分配的应用程序,并讨论了复杂的分布式协调算法在该领域缓慢采用的可能原因,并突出了进一步研究和发展的领域。
Mar, 2018
本论文针对多移动机器人的分布式编队控制提出了一种提高现实可行性的新方法,首先采用变结构和级联设计技术引入分布式估计器,消除了对导数信息的需求以提高实时性能,然后采用仿生神经动力学方法开发了一种运动学跟踪控制方法,旨在提供平滑的控制输入并有效解决速度跳跃问题,此外还提出了一种基于学习的鲁棒动态控制器,以解决在完全未知动力学和干扰下操作的机器人的挑战,该控制器在实时参数估计的同时保持了其对干扰的鲁棒性,并通过严密的数学分析证明了所提方法的整体稳定性,最后,多个综合仿真研究表明了所提方法的优势和有效性。
Mar, 2024
通过协作抽样策略,自主汽车之间的合作数据收集被视为 $n$ 个玩家数学游戏,该策略能最小化信息用于收敛到具有所有自主汽车完整信息的集中式观测策略,并展示在感知数据集中的表现优于贪心抽样
Mar, 2023
本文提出了一种基于多层次的任务和动作规划框架,可以协调多个机器人完成复杂结构的组装,在高层次通过整数线性规划算法计算抽象计划,并在低层次使用多智能体路径规划算法规划机器人的运动路线,关键在于高层次规划中的避碰约束和运动的持续时间,以使得抽象计划既可行又高效。
Mar, 2022