我们考虑一个设置机器人团队的任务是跟踪以下属性的多个目标：接近目标可以实现更准确的目标位置估计，同时也增加了传感器故障的风险。因此，要解决跟踪质量最大化和风险最小化之间的权衡至关重要。在我们以前的工作中，开发了一个集中式控制器来规划所有机器人的动作 - 但是，这不是可扩展的方法。在这里，我们提出了一个分散且具有风险的多目标跟踪框架，在该框架中，每个机器人都计划其运动交易的跟踪准确性最大化和厌恶风险，同时仅依靠其与邻居交流的信息和信息。我们使用控制屏障函数来保证整个跟踪过程中的网络连接。广泛的数值实验表明，我们的系统可以达到与集中式同行相似的跟踪准确性和风险意识。

本文考虑了安全协调一个配备传感器的机器人团队的问题，以减少有关动态过程的不确定性，而该过程将使目标消除信息增益和能源成本。优化这种权衡是可取的，但是在机器人轨迹集中导致非占主酮目标函数。因此，基于协调下降的普通多机器人计划者失去了其性能保证。此外，处理非单调性的方法在受到机器人间碰撞避免约束时会失去其性能保证。由于需要保留性能保证和安全保证，这项工作提出了一种分布式计划者的层次结构方法，该方法使用本地搜索，并根据控制屏障功能提供了基于控制屏障功能的当地搜索和分散的控制器，以确保安全并鼓励及时到达传感位置。通过大量的模拟，硬件测试和硬件实验，我们证明了所提出的方法比基于坐标下降的算法在感应和能源成本之间取得更好的权衡。

在本文中，我们设计了一个基于信息的多机器人来源，以寻求算法，其中一组移动传感器仅使用基于局部范围的测量值就本地化并移动靠近单个源。在算法中，移动传感器执行源标识/本地化以估计源位置；同时，他们移至新位置，以最大程度地提高有关传感器测量中包含的源的Fisher信息。在这样做的过程中，它们改善了源位置估计，并更靠近源。与传统的攀登算法相比，我们的算法在收敛速度方面具有优越性，在测量模型和信息指标的选择中是灵活的，并且对测量模型误差非常强大。此外，我们提供了算法的完全分布式版本，每个传感器都决定自己的动作，并且仅通过稀疏的通信网络与邻居共享信息。我们进行密集的仿真实验，以测试带有光传感器的小型地面车辆上的大规模系统和物理实验的算法，这表明在寻求光源方面取得了成功。

在本文中，我们为多机器人系统提供了一种分散和无通信的碰撞避免方法，该系统考虑了机器人定位和感测不确定性。该方法依赖于计算每个机器人的不确定感知安全区域，以在高斯分布的不确定性的假设下在环境中导航的其他机器人和环境中的静态障碍物。特别地，在每次步骤中，我们为每个机器人构建一个机器人约束的缓冲不确定性感知的voronoI细胞（B-UAVC）给出指定的碰撞概率阈值。通过将每个机器人的运动约束在其对应的B-UAVC内，即机器人和障碍物之间的碰撞概率仍然可以实现概率碰撞避免。所提出的方法是分散的，无通信，可扩展，具有机器人的数量和机器人本地化和感测不确定性的强大。我们将方法应用于单积分器，双积分器，差动驱动机器人和具有一般非线性动力学的机器人。对地面车辆，四轮车和异质机器人团队进行广泛的模拟和实验，以分析和验证所提出的方法。

对于多机器人系统的安全有效运行，通信连接是可取的。尽管最近的文献中已经探讨了用于连接性维持的分散算法，但这些作品中的大多数并没有说明机器人运动和感知不确定性。这些不确定性是实际机器人固有的，并导致机器人偏离其所需位置，这可能会导致连通性丧失。在本文中，我们提出了一种分散的连接维护算法，该算法会计机器人运动和感知不确定性（DCMU）。我们首先为多机器人系统提出了一个新颖的加权图定义，该定义说明了上述不确定性以及现实的连接性约束，例如视线连接性和避免碰撞。接下来，我们设计了一个基于分散梯度的控制器，用于连接维护，在该控制器中，我们得出了计算控件所需的加权图边缘权重的梯度。最后，我们执行多个模拟，以验证机器人运动下的DCMU算法的连接性维持性能并感知不确定性，并与以前的工作相比显示出改进。

分散的多机器人目标跟踪的问题要求共同选择动作，例如运动原语，以使机器人通过本地通信最大化目标跟踪性能。实施实施的一个主要挑战是使目标跟踪方法可扩展到大规模的问题实例。在这项工作中，我们提出了通用学习体系结构，以通过分散的通信进行大规模的协作目标跟踪。特别是，我们的学习体系结构利用图形神经网络（GNN）捕获机器人的本地互动，并学习机器人的分散决策。我们通过模仿专家解决方案来训练学习模型，并实施仅涉及本地观察和沟通的分散行动选择的最终模型。我们在使用大型机器人网络的主动目标跟踪方案中演示了基于GNN的学习方法的性能。仿真结果表明，我们的方法几乎与专家算法的跟踪性能相匹配，但最多可以使用多达100个机器人运行多个订单。此外，它的表现略高于分散的贪婪算法，但运行速度更快（尤其是20多个机器人）。结果还显示了我们在以前看不见的情况下的方法的概括能力，例如，较大的环境和较大的机器人网络。

机器人间通信使多机器人系统能够有效地协调和执行复杂的任务。因此，维持机器人之间的通信网络的连接对于许多多机器人系统是必不可少的。在本文中，我们提出了一种用于多机器人系统的连接维护的轨迹策划局。我们首先定义加权无向图形以表示系统的连接。与以前的连接维护不同，我们明确地解释了机器人运动和传感不确定性，同时制定图形边缘权重。这些不确定性导致不确定的机器人位置，该位置直接影响系统的连接性。接下来，使用基于乘法器（ADMM）框架的分布式交替方向方法，使用轨迹规划器维持加权未向图的代数连接以上的指定的下限。在这里，我们得出了ADMM优化步骤中所需的Hessian矩阵的近似，以减少计算负荷。最后，提出了仿真结果以统计验证我们的轨迹策划者的连接维护。

近年来，研究人员委托机器人和无人驾驶汽车（UAV）团队委托进行准确的在线野火覆盖范围和跟踪。迄今为止，大多数先前的工作都集中在此类多机器人系统的协调和控制上，但尚未赋予这些无人机团队对火的轨道（即位置和传播动态）进行推理的能力，以提供性能保证时间范围。在空中野火监测的问题上，我们提出了一个预测框架，该框架使多UAV团队的合作能够与概率性能保证一起进行协作现场覆盖和火灾跟踪。我们的方法使无人机能够推断出潜在的火灾传播动态，以在安全至关重要的条件下进行时间扩展的协调。我们得出了一组新颖的，分析的时间和跟踪纠纷界限，以使无人机团队根据特定于案例的估计状态分发有限的资源并覆盖整个火灾区域，并提供概率性能保证。我们的结果不仅限于空中野火监测案例研究，而且通常适用于搜索和救援，目标跟踪和边境巡逻等问题。我们在模拟中评估了我们的方法，并在物理多机器人测试台上提供了建议的框架，以说明真实的机器人动态和限制。我们的定量评估验证了我们的方法的性能，分别比基于最新的模型和强化学习基准分别累积了7.5倍和9.0倍的跟踪误差。

本文介绍了适用于各种实用多机器人应用的分布式算法。在这种多机器人应用中，使命的用户定义目标可以作为一般优化问题投射，而无需每个不同机器人的子任务的明确指南。由于环境未知，未知的机器人动态，传感器非线性等，优化成本函数的分析形式不可用。因此，标准梯度 - 下降样算法不适用于这些问题。为了解决这个问题，我们介绍了一种新的算法，仔细设计每个机器人的子变速功能，优化可以实现整个团队目标。在该转换时，我们提出了一种基于基于认知的自适应优化（CAO）算法的分布式方法，其能够近似每个机器人成本函数的演变并充分优化其决策变量（机器人动作）。后者可以通过在线学习来实现影响特派团目标的特定特定特征。总体而言，低复杂性算法可以简单地结合任何类型的操作约束，是容错的，并且可以适当地解决时变的成本函数。这种方法的基石是它与块坐标血管下降算法相同的收敛特征。该算法在多种方案下的三个异构模拟设置中评估，针对通用和特定于问题的算法。源代码可在\ url {https://github.com/athakapo/a-distributed-plug-lobot-applications}中获得。

在本文中，我们基于非线性模型预测控制（NMPC）方法提出了一种分散的控制方法，该方法采用屏障证书在具有静态和/或动态障碍的未知环境中安全导航的多个非独立轮式移动机器人。该方法将学习的屏障功能（LBF）纳入NMPC设计中，以确保安全机器人导航，即防止机器人与其他机器人和障碍物的碰撞。我们将我们提出的控制方法称为NMPC-LBF。由于每个机器人都没有关于障碍物和其他机器人的先验知识，因此我们使用每个机器人实时运行的深神经网络（DEEPNN），仅从机器人的刺激镜头和探针测量中学习屏障功能（BF）。深文经过训练，可以学习分离安全和不安全地区的BF。在不同情况下，我们对模拟和实际Turtlebot3汉堡机器人实施了建议的方法。实施结果显示了NMPC-LBF方法在确保机器人安全导航方面的有效性。

多机器人自适应抽样问题旨在为机器人团队找到轨迹，以有效地对机器人的给定耐力预算中的感兴趣现象进行采样。在本文中，我们使用分散的多代理增强学习来提出一种可靠，可扩展的方法，用于准静态环境过程的合作自适应采样（MARLAS）。鉴于该领域的先验采样，该提议的方法学习了一个机器人团队的分散政策，以在固定预算范围内采样高实现区域。多机器人自适应采样问题要求机器人彼此协调，以避免重叠的采样轨迹。因此，我们编码机器人之间的邻居位置和间歇性通信在学习过程中的估计值。我们评估了Marlas对多个性能指标的评估，发现它的表现优于其他基线多机器人采样技术。我们进一步证明了与机器人团队的大小和所采样区域的大小相对于通信失败和可伸缩性的鲁棒性。实验评估既是对真实数据的模拟，又在演示环境设置的实际机器人实验中进行的。

Despite recent progress on trajectory planning of multiple robots and path planning of a single tethered robot, planning of multiple tethered robots to reach their individual targets without entanglements remains a challenging problem. In this paper, we present a complete approach to address this problem. Firstly, we propose a multi-robot tether-aware representation of homotopy, using which we can efficiently evaluate the feasibility and safety of a potential path in terms of (1) the cable length required to reach a target following the path, and (2) the risk of entanglements with the cables of other robots. Then, the proposed representation is applied in a decentralized and online planning framework that includes a graph-based kinodynamic trajectory finder and an optimization-based trajectory refinement, to generate entanglement-free, collision-free and dynamically feasible trajectories. The efficiency of the proposed homotopy representation is compared against existing single and multiple tethered robot planning approaches. Simulations with up to 8 UAVs show the effectiveness of the approach in entanglement prevention and its real-time capabilities. Flight experiments using 3 tethered UAVs verify the practicality of the presented approach.

本文解决了多机器人主动信息采集（AIA）问题，其中一组移动机器人通过基础图进行通信，估计一个表达感兴趣现象的隐藏状态。可以在此框架中表达诸如目标跟踪，覆盖范围和大满贯之类的应用程序。但是，现有的方法要么是不可扩展的，因此无法处理动态现象，或者对通信图中的变化不健全。为了应对这些缺点，我们提出了一个信息感知的图形块网络（I-GBNET），即图形神经网络的AIA适应，该网络将信息通过图表表示，并以分布式方式提供顺序决定。通过基于集中抽样的专家求解器训练通过模仿学习训练的I-GBNET表现出置换量比和时间不变性，同时利用了对以前看不见的环境和机器人配置的卓越可扩展性，鲁棒性和概括性。与训练中看到的相比，隐藏状态和更复杂的环境的实验和更复杂的环境实验验证了所提出的体系结构的特性及其在应用定位和动态目标的应用中的功效。

在本文中，我们使用单个摄像头和惯性测量单元（IMU）以及相应的感知共识问题（即，所有观察者的独特性和相同的ID）来解决基于视觉的检测和跟踪多个航空车的问题。我们设计了几种基于视觉的分散贝叶斯多跟踪滤波策略，以解决视觉探测器算法获得的传入的未分类测量与跟踪剂之间的关联。我们根据团队中代理的数量在不同的操作条件以及可扩展性中比较它们的准确性。该分析提供了有关给定任务最合适的设计选择的有用见解。我们进一步表明，提出的感知和推理管道包括深度神经网络（DNN），因为视觉目标检测器是轻量级的，并且能够同时运行控制和计划，并在船上进行大小，重量和功率（交换）约束机器人。实验结果表明，在各种具有挑战性的情况（例如重闭）中，有效跟踪了多个无人机。

近年来我们目睹了巨大进展的动机，本文提出了对协作同时定位和映射（C-SLAM）主题的科学文献的调查，也称为多机器人猛击。随着地平线上的自动驾驶车队和工业应用中的多机器人系统的兴起，我们相信合作猛击将很快成为未来机器人应用的基石。在本调查中，我们介绍了C-Slam的基本概念，并呈现了彻底的文献综述。我们还概述了C-Slam在鲁棒性，通信和资源管理方面的主要挑战和限制。我们通过探索该地区目前的趋势和有前途的研究途径得出结论。

This paper proposes Distributed Model Predictive Covariance Steering (DMPCS), a novel method for safe multi-robot control under uncertainty. The scope of our approach is to blend covariance steering theory, distributed optimization and model predictive control (MPC) into a single methodology that is safe, scalable and decentralized. Initially, we pose a problem formulation that uses the Wasserstein distance to steer the state distributions of a multi-robot team to desired targets, and probabilistic constraints to ensure safety. We then transform this problem into a finite-dimensional optimization one by utilizing a disturbance feedback policy parametrization for covariance steering and a tractable approximation of the safety constraints. To solve the latter problem, we derive a decentralized consensus-based algorithm using the Alternating Direction Method of Multipliers (ADMM). This method is then extended to a receding horizon form, which yields the proposed DMPCS algorithm. Simulation experiments on large-scale problems with up to hundreds of robots successfully demonstrate the effectiveness and scalability of DMPCS. Its superior capability in achieving safety is also highlighted through a comparison against a standard stochastic MPC approach. A video with all simulation experiments is available in https://youtu.be/Hks-0BRozxA.

尽管使用多个无人机（UAV）具有快速自主探索的巨大潜力，但它的关注程度很少。在本文中，我们提出了赛车手，这是一种使用分散无人机的舰队的快速协作探索方法。为了有效派遣无人机，使用了基于在线HGRID空间分解的成对交互。它可确保仅使用异步和有限的通信同时探索不同的区域。此外，我们优化了未知空间的覆盖路径，并通过电容的车辆路由问题（CVRP）配方平衡分区到每个UAV的工作负载。鉴于任务分配，每个无人机都会不断更新覆盖路径，并逐步提取关键信息以支持探索计划。分层规划师可以找到探索路径，完善本地观点并生成序列的最小时间轨迹，以敏捷，安全地探索未知空间。对所提出的方法进行了广泛的评估，显示出较高的勘探效率，可伸缩性和对有限交流的鲁棒性。此外，我们第一次与现实世界中的多个无人机进行了完全分散的协作探索。我们将作为开源软件包发布实施。

集体感知是群体机器人技术中的基本问题，在该机器人技术中，群体必须就环境的连贯代表达成共识。集体感知的一个重要变体将其视为最佳决策过程，在该过程中，群体必须从一组替代方案中确定最有可能的代表。过去对这种变体的工作主要集中在表征不同的算法如何在群体必须决定最频繁的环境特征的情况下如何导航速度-VS-Accuracy折衷。至关重要的是，过去在最佳决策中的工作使机器人传感器是完美的（无噪声和故障），从而限制了这些算法的现实适用性。在本文中，我们从第一个原理中得出了一个最佳的，概率的框架，用于配备有缺陷的传感器的简约群机器人。然后，我们在群体共同决定某个环境特征的频率的情况下验证了我们的方法。我们研究了有关几个感兴趣的参数的决策过程的速度和准确性。即使存在严重的感觉噪声，我们的方法也可以提供及时，准确的频率估计。

主动位置估计（APE）是使用一个或多个传感平台本地化一个或多个目标的任务。 APE是搜索和拯救任务，野生动物监测，源期限估计和协作移动机器人的关键任务。 APE的成功取决于传感平台的合作水平，他们的数量，他们的自由度和收集的信息的质量。 APE控制法通过满足纯粹剥削或纯粹探索性标准，可以实现主动感测。前者最大限度地减少了位置估计的不确定性;虽然后者驱动了更接近其任务完成的平台。在本文中，我们定义了系统地分类的主要元素，并批判地讨论该域中的最新状态。我们还提出了一个参考框架作为对截图相关的解决方案的形式主义。总体而言，本调查探讨了主要挑战，并设想了本地化任务的自主感知系统领域的主要研究方向。促进用于搜索和跟踪应用的强大主动感测方法的开发也有益。

本文为一组移动机器人提供了一种算法，可以同时学习域上的空间字段，并在空间上分发自己以最佳覆盖。从以前的方法通过集中式高斯过程估算空间场的方法，这项工作利用了覆盖范围问题的空间结构，并提出了一种分散的策略，其中样本通过通过Voronoi分区的边界来建立通信在本地汇总。我们提出了一种算法，每个机器人都通过其自身测量值和Voronoi邻居提供的局部高斯流程运行局部高斯过程，该过程仅在提供足够新颖的信息时才将其纳入单个机器人的高斯过程中。在模拟中评估算法的性能，并与集中式方法进行比较。