Achieving knowledge sharing within an artificial swarm system could lead to significant development in autonomous multiagent and robotic systems research and realize collective intelligence. However, this is difficult to achieve since there is no generic framework to transfer skills between agents other than a query-response-based approach. Moreover, natural living systems have a "forgetfulness" property for everything they learn. Analyzing such ephemeral nature (temporal memory properties of new knowledge gained) in artificial systems has never been studied in the literature. We propose a behavior tree-based framework to realize a query-response mechanism for transferring skills encoded as the condition-action control sub-flow of that portion of the knowledge between agents to fill this gap. We simulate a multiagent group with different initial knowledge on a foraging mission. While performing basic operations, each robot queries other robots to respond to an unknown condition. The responding robot shares the control actions by sharing a portion of the behavior tree that addresses the queries. Specifically, we investigate the ephemeral nature of the new knowledge gained through such a framework, where the knowledge gained by the agent is either limited due to memory or is forgotten over time. Our investigations show that knowledge grows proportionally with the duration of remembrance, which is trivial. However, we found minimal impact on knowledge growth due to memory. We compare these cases against a baseline that involved full knowledge pre-coded on all agents. We found that knowledge-sharing strived to match the baseline condition by sharing and achieving knowledge growth as a collective system.

Experiments using large numbers of miniature swarm robots are desirable to teach, study, and test multi-robot and swarm intelligence algorithms and their applications. To realize the full potential of a swarm robot, it should be capable of not only motion but also sensing, computing, communication, and power management modules with multiple options. Current swarm robot platforms developed for commercial and academic research purposes lack several of these critical attributes by focusing only on a few of these aspects. Therefore, in this paper, we propose the HeRoSwarm, a fully-capable swarm robot platform with open-source hardware and software support. The proposed robot hardware is a low-cost design with commercial off-the-shelf components that uniquely integrates multiple sensing, communication, and computing modalities with various power management capabilities into a tiny footprint. Moreover, our swarm robot with odometry capability with Robot Operating Systems (ROS) support is unique in its kind. This simple yet powerful swarm robot design has been extensively verified with different prototyping variants and multi-robot experimental demonstrations.

多机器人和多代理系统通过系统的局部行为集成在组中表现出集体（Swarm）智能。分享有关任务和环境知识的代理商可以提高个人和任务水平的绩效。但是，这很难实现，部分原因是缺乏用于在代理之间转移一部分知识（行为）的通用框架。本文提出了一个新的知识表示框架和一种称为KT-BT：通过行为树的知识转移的转移策略。 KT-BT框架遵循通过在线行为树框架进行查询反应加速机制，在该框架中，代理对未知条件进行广播查询，并使用条件性能控制子流量以适当的知识做出响应。我们嵌入了一种称为StringBT的新型语法结构，该结构编码知识，从而实现行为共享。从理论上讲，我们研究了KT-BT框架的特性，与异质系统相比，整个小组的高知识同质性具有高度知识的性质，而没有能力共享知识。我们在模拟的多机器人搜索和救援问题中广泛验证了我们的框架。结果表明，在各种情况下，成功传递知识转移并提高了群体绩效。我们进一步研究了机会和沟通范围对一组代理商中群体绩效，知识传播和功能异质性的影响，并提供有趣的见解。

采用合理的策略是具有挑战性的，但对于智能代理商的智能代理人至关重要，其资源有限，在危险，非结构化和动态环境中工作，以改善系统实用性，降低整体成本并增加任务成功概率。深度强化学习（DRL）帮助组织代理的行为和基于其状态的行为，并代表复杂的策略（行动的组成）。本文提出了一种基于贝叶斯链条的新型分层策略分解方法，将复杂的政策分为几个简单的子手段，并将其作为贝叶斯战略网络（BSN）组织。我们将这种方法整合到最先进的DRL方法中，软演奏者 - 批评者（SAC），并通过组织几个子主管作为联合政策来构建相应的贝叶斯软演奏者（BSAC）模型。我们将建议的BSAC方法与标准连续控制基准（Hopper-V2，Walker2D-V2和Humanoid-V2）在SAC和其他最先进的方法（例如TD3，DDPG和PPO）中进行比较 - Mujoco与Openai健身房环境。结果表明，BSAC方法的有希望的潜力可显着提高训练效率。可以从https://github.com/herolab-uga/bsac访问BSAC的开源代码。

移动机器人的精确位置信息对于导航和任务处理至关重要，尤其是对于多机器人系统（MRS），可以从该领域进行协作和收集有价值的数据。但是，在无法访问GPS信号（例如在环境控制，室内或地下环境中）的机器人发现很难单独使用其传感器找到。结果，机器人共享其本地信息以改善其本地化估计，使整个MRS团队受益。已经尝试使用无线电信号强度指标（RSSI）作为计算轴承信息的来源进行了几次尝试模拟基于多机器人的定位。我们还利用了通过系统中多个机器人的通信生成的无线网络，并旨在在动态环境中具有很高准确性和效率的定位代理，以共享信息融合以完善本地化估计。该估计器结构减少了一个测量相关性的来源，同时适当地纳入了其他相关性。本文提出了一个分散的多机器人协同定位系统（MRSL），以实现密集和动态的环境。每当从邻居那里收到新信息时，机器人都会更新其位置估计。当系统感觉到该地区其他机器人的存在时，它会交换位置估计并将接收到的数据合并以提高其本地化精度。我们的方法使用基于贝叶斯规则的集成，该集成已证明在计算上是有效的，适用于异步机器人通信。我们已经使用数量不同的机器人进行了广泛的仿真实验，以分析算法。 MRSL与RSSI的本地化准确性优于文献中的其他算法，对未来发展有很大的希望。

在室内和GPS拒绝环境中的无线移动设备或机器人的本地化是一个难题，特别是在传统摄像机和基于LIDAR的替代感测和本地化模式可能失败的动态场景中。我们提出了一种用于估计移动机器人的位置与在环境中部署的静态无线传感器节点（WSN）相关的方法。该方法采用新的粒子滤波器，其使用在到达方向（DOA）估计的高斯概率与移动机器人的移动模型结合使用的高斯概率来更新其权重。通过广泛的模拟和公共现实世界测量数据集，在准确性和计算效率方面评估和验证所提出的方法，与标准的最先进的本地化方法相比。结果显示了通过高计算效率平衡的高仪表级定位精度，使其能够在线使用，而无需为基于典型指纹的定位算法中的专用离线阶段使用。

多个代理的分布式任务分配引发了基本和新的控制理论和机器人问题。新的挑战是开发分布式算法，它动态地将任务分配给多个代理，而不是依赖于先前的分配信息。这项工作提出了一种基于消息到期的验证方法的多机器人任务管理的分布式方法。我们的方法通过使用基于距离和时间戳的测量来处理分布式多机器人系统中的断开引起的冲突，以验证每个机器人的任务分配。机器人模拟器平台中的仿真实验已经验证了所提出的方法的有效性。

群机器人执行觅食任务的适用性受其紧凑的尺寸和成本的启发。需要相当大量的能量来执行这些任务，特别是如果任务是连续和/或重复的。现实世界的情况，其中机器人在保持活力（生存能力）时连续执行任务，并最大限度地提高生产（性能）需要能量意识。本文提出了一种能够有意识的分布式任务分配算法来解决连续任务（例如，无限觅食），用于合作机器人以实现高效的任务。当食物返回收集箱时，我们将效率视为机器人在勘探和收集期间消耗的能量的函数。最后，所提出的节能算法最小化了充电站的总传输时间和在充电时消耗的时间消耗，最大化机器人的寿命，以执行最大的任务，以提高协作机器人的整体效率。我们对典型的贪婪基准战略（将最近的收藏箱分配给可用机器人的最近的收集箱并最大充电）效率和性能在各种方案中的效率和性能。拟议的方法显着提高了基线方法的性能和效率。

自适应信息采样方法能够有效选择移动机器人的航点，可以获得可以获得物理过程的精确感测和映射，例如辐射或场强。本文分析了勘探和利用在环境过程的这种信息化空间采样中的作用。我们使用高斯过程来预测和估计利用置信度的预测，从而在勘探和剥削方面确定每个点的信息。具体地，我们使用高斯过程回归模型来对环境的Wi-Fi信号强度进行采样。对于信息功能的不同变体，我们广泛地分析和评估了通过单个机器人和多机器人设置中的两个不同初始轨迹的信息映射的有效性和效率。结果在基于采样目标选择适当的信息功能方面提供了有意义的见解。

本文提出了一种框架来衡量重要的指标（吞吐量，延迟，分组重传，信号强度等）以确定机器人操作系统（ROS）中间件支持的移动机器人的Wi-Fi网络性能。我们通过室内环境中的实验设置分析了移动机器人的双向网络性能，其中移动机器人正在传送从相机和LIDAR扫描值的重要传感器数据，例如在它导航室内的指令站。通过从命令站接收的远程速度命令的环境。实验评估了2.4 GHz和5 GHz频道下的性能，并在每侧的接入点（AP）的不同放置，每侧最多两个网络设备。该框架可以概括为车辆网络评估，本研究的讨论和见解适用于现场机器人社区，无线网络在实现现实世界环境中的机器人任务成功方面发挥着关键作用。