Coverage path planning is a major application for mobile robots, which requires robots to move along a planned path to cover the entire map. For large-scale tasks, coverage path planning benefits greatly from multiple robots. In this paper, we describe Turn-minimizing Multirobot Spanning Tree Coverage Star(TMSTC*), an improved multirobot coverage path planning (mCPP) algorithm based on the MSTC*. Our algorithm partitions the map into minimum bricks as tree's branches and thereby transforms the problem into finding the maximum independent set of bipartite graph. We then connect bricks with greedy strategy to form a tree, aiming to reduce the number of turns of corresponding circumnavigating coverage path. Our experimental results show that our approach enables multiple robots to make fewer turns and thus complete terrain coverage tasks faster than other popular algorithms.

区域覆盖范围问题是使用安装在机器人（例如无人驾驶汽车（UAV）（UAV）和无人接地车辆（UGV）等机器人上的传感器有效维修给定的二维表面的任务。我们提出了一种新颖的配方，用于生成多个容量受限机器人的覆盖路线，可以根据电池寿命或飞行时间指定容量。遍历环境对具有容量限制的机器人资源产生了需求。我们方法的主要方面是将区域覆盖问题转换为线覆盖范围问题（即线性特征的覆盖范围），然后生成途径，以最大程度地减少旅行的总成本，同时尊重容量约束。我们定义了两种旅行模式：（1）维修和（2）无人机，这与机器人是否执行特定于任务的操作相对应。我们的配方允许对两种模式的单独和不对称的旅行成本和需求。此外，从细胞分解计算出来的细胞，旨在最小化转弯的数量，不需要单调多边形。我们为细胞分解和生成服务轨道开发了新的程序，这些过程可以处理有或没有孔的非符号酮多边形。我们在具有25个室内环境的地面机器人数据集和一个具有300个室外环境的空中机器人数据集上建立了算法的功效。该算法生成的解决方案的成本比最新方法平均低10％。我们还证明了我们在无人机实验中的算法。

线覆盖范围的问题是找到有效的路由，以通过一个或多个资源约束的机器人覆盖线性特征。线性具有模型环境，例如道路网络，电力线以及石油和天然气管道。我们为机器人定义了两种旅行模式：维修和陷入困境。机器人服务功能如果它执行特定于任务的操作，例如拍摄图像，则它可以遍历该功能；否则，它是无人机的。穿越环境会产生成本（例如旅行时间）和对资源的需求（例如电池寿命）。维修和无人机的成本和需求功能可能具有不同的成本和需求功能，我们进一步允许它们取决于方向。我们将环境建模为图形，并提供整数线性程序。由于问题是NP-HARD，因此我们开发了一种快速有效的启发式算法，即合并 - 默认混合物（MEM）。该算法的建设性属性使得为大图求解了多depot版本。我们进一步扩展了MEM算法，以处理转弯成本和非语言限制。我们在50个道路网络的数据集上对算法进行基准测试，并在道路网络上使用空中机器人进行了实验中的算法。

线覆盖范围是为环境中的一组一维功能提供服务的任务。这对于检查线性基础设施（例如道路网络，电力线以及石油和天然气管道）很重要。本文通过在图上将其建模为优化问题，解决了空中和地面机器人的单个机器人线覆盖率问题。该问题属于广泛的ARC路由问题，与不对称的农村邮政问题（RPP）密切相关。本文提供了一个整数线性编程公式，并提供了正确的证明。使用最低成本流问题，我们开发近似算法，并保证解决方案质量。这些保证还改善了不对称RPP的现有结果。主要算法将问题分为三种情况，以所需图的结构，即需要维修的特征诱导的图。我们在世界上50个人口最多的城市的道路网络上评估了我们的算法。该算法以改进的启发式增强，在3s内运行，并生成最佳最佳10％以内的解决方案。我们在UNC Charlotte校园路网络上通过商业无人机在实验中展示了我们的算法。

这封信涉及地形重建未知障碍环境的3D报道路径规划（CPP）问题。由于感测局限性，所提出的方法称为CT-CPP，执行3D区域的分层扫描以收集地形数据，其中使用覆盖树（CT）的概念与TSP启发的树遍历遍历策略进行优化。。CT-CPP方法在高保真水下模拟器上验证，结果与CPP方法后的现有地形进行了比较。结果表明，CT-CPP在轨迹长度，能量消耗和重建误差产生显着降低。

多路径定向问题询问机器人团队的路径最大化收集的总奖励，同时满足路径长度上的预算约束。这个问题模拟了许多多机器人路由任务，例如探索未知的环境和环境监控信息。在本文中，我们专注于如何使机器人团队在对抗环境中运行时对故障的强大。我们介绍了强大的多路径定向事问题（RMOP），在那里我们寻求最糟糕的案例保证，反对能够在大多数$ \ Alpha $机器人处攻击的对手。我们考虑两个问题的两个版本：RMOP离线和RMOP在线。在离线版本中，当机器人执行其计划时，没有通信或重新扫描，我们的主要贡献是一种具有界限近似保证的一般近似方案，其取决于$ \ alpha $和单个机器人导向的近似因子。特别是，我们表明该算法在成本函数是模块化时产生（i）恒因子近似; （ii）在成本函数是子模具时，$ \ log $因子近似; （iii）当成本函数是子模块时的恒因子近似，但是允许机器人通过有界金额超过其路径预算。在在线版本中，RMOP被建模为双人顺序游戏，并基于蒙特卡罗树搜索（MCT），以后退地平线方式自适应解决。除了理论分析之外，我们还对海洋监测和隧道信息收集应用进行仿真研究，以证明我们的方法的功效。

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.

在移动机器人学中，区域勘探和覆盖率是关键能力。在大多数可用研究中，共同的假设是全球性，远程通信和集中合作。本文提出了一种新的基于群的覆盖控制算法，可以放松这些假设。该算法组合了两个元素：Swarm规则和前沿搜索算法。受到大量简单代理（例如，教育鱼，植绒鸟类，蜂拥昆虫）的自然系统的启发，第一元素使用三个简单的规则来以分布式方式维持群体形成。第二元素提供了选择有希望区域以使用涉及代理的相对位置的成本函数的最小化来探索（和覆盖）的装置。我们在不同环境中测试了我们的方法对异质和同质移动机器人的性能。我们衡量覆盖性能和允许本集团维持沟通的覆盖性能和群体形成统计数据。通过一系列比较实验，我们展示了拟议的策略在最近提出的地图覆盖方法和传统的人工潜在领域基于细胞覆盖，转变和安全路径的百分比，同时保持允许短程的形成沟通。

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。

未知环境中的路径规划问题仍然是一个具有挑战性的问题 - 由于在导航期间逐渐观察到环境，因此，基础规划师必须更新环境表示，并及时且不断地进行重新启动，以说明新的观察值。在本文中，我们提出了一个基于图形的计划框架，能够处理已知和未知环境中的导航任务。计划者采用环境的多边形表示，并通过在障碍物周围提取边缘点以形成封闭的多边形来构建表示形式。因此，该方法使用两层数据结构动态更新了全局可见性图，并扩展了可见性边缘以及导航和删除被新观察到的障碍物阻塞的边缘。当在未知环境中导航时，该方法可以通过即时拾取环境布局，更新可见性图，并快速重新规划与新观察到的环境相对应，从而尝试发现目标的方法。我们在模拟和现实世界中评估了该方法。该方法显示了尝试和导航未知环境的能力，从基于搜索的方法中减少了多达12-47％的旅行时间：A*，d* lite，并且比基于采样的方法相比： rrt*，bit*和Spars。

随着智能机器人的广泛渗透，在多种领域，机器人中的同时定位和映射（SLAM）技术在社区中引起了不断的关注。然而，由于机器人的密集图形计算和机器人的有限计算能力之间的性能矛盾，在多个机器人上的合作仍然仍然具有挑战性。虽然传统的解决方案来到功能作为外部计算提供商的强大云服务器，但我们通过实际测量显示数据卸载中的显着通信开销可以防止其实际部署。为了解决这些挑战，本文将新兴边缘计算范例促进到多机器人SLAM中，提出了一种多机器人激光器SLAM系统，该系统专注于在机器人边缘云架构下加速映射施工过程。与传统的多机器人SLAM相比，在机器人上生成图形地图并完全合并它们在云上，recslam开发了一个分层地图融合技术，将机器人的原始数据指向用于实时融合的边缘服务器，然后发送到云端全球合并。为了优化整体管道，引入了一种有效的多机器人SLAM协作处理框架，以便自适应地优化针对异构边缘资源条件的机器人到边缘卸载，同时确保边缘服务器之间的工作量平衡。广泛的评估表明康复伍列可以通过最先进的延迟减少达到39％的处理延迟。此外，在真实场景中开发并部署了概念验证原型，以展示其有效性。

本文介绍了相关的弧定向问题（CAOP），其中的任务是找到机器人团队的路线，以最大程度地收集与环境中功能相关的奖励的收集。这些功能可以是一维或环境中的点，并且可以具有空间相关性，即访问环境中的功能可能会提供与相关功能相关的奖励的一部分。机器人在环境环境时会产生成本，并且路线的总成本受到资源限制（例如电池寿命或操作时间）的限制。由于环境通常很大，我们允许多个仓库在机器人必须启动和结束路线的地方。 CAOP概括了相关的定向问题（COP），其中奖励仅与点特征相关联以及ARC定向启动问题（AOP），其中奖励与无空间相关。我们制定了一个混合整数二次程序（MIQP），该程序正式化了问题并提供最佳的解决方案。但是，这个问题是NP-HARD，因此我们开发了一种有效的贪婪的建设性算法。我们用两种不同的应用说明了问题：甲烷气体泄漏检测和道路网络覆盖范围的信息路径计划。

本文介绍了一种多模式运动计划（MMP）算法，该算法结合了三维（3-D）路径计划和DWA障碍避免算法。该算法旨在计划复杂的非结构化场景中超越障碍物的机器人的路径和运动。提出了一种新颖的A-Star算法来结合非结构化场景的特征，并将其切换为贪婪的最佳优先策略算法的策略。同时，路径计划的算法与DWA算法集成在一起，因此机器人可以在沿着全球计划的路径运动过程中执行局部动态障碍。此外，当提议的全球路径计划算法与局部障碍算法结合使用时，机器人可以在避免障碍物和克服障碍物后纠正道路。具有几个复杂环境的工厂中的仿真实验验证了算法的可行性和鲁棒性。该算法可以迅速为超越障碍物的机器人生成合理的3D路径，并在考虑场景和运动障碍物的特征的前提下进行可靠的当地障碍。

覆盖路径计划（CPP）旨在找到覆盖整个给定空间的最佳路径。由于NP坚硬的性质，CPP仍然是一个具有挑战性的问题。生物启发的算法（例如蚂蚁菌落优化（ACO））已被利用以解决该问题，因为它们可以利用启发式信息来缓解路径计划的复杂性。本文提出了快速跨度的蚂蚁菌落优化（Fasaco），蚂蚁可以在其中以各种速度探索环境。通过这样做，速度较高的蚂蚁可以更快地找到目的地或障碍物，并通过通过路径上的信息素步道传达此类信息来保持较低的速度蚂蚁。该机制可确保在减少总体路径计划时间时发现（子）〜最佳路径。实验结果表明，在CPU时间方面，Fasaco的效率比ACO高19.3-32.3 \％$，重新包含$ 6.9-12.5 \％$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $。这使得Fasaco在实时和能源有限的应用中吸引人。

共识算法通过使多个机器人能够收敛到仅使用本地通信的全局变量的一致估计来构成许多分布式算法的基础。但是，标准共识协议可以轻松地由非合作团队成员误入歧途。因此，对于设计弹性分布式算法是必要的，对共识的弹性形式的研究是必要的。 W-MSR共识是一种这样的有弹性共识算法，它允许仅具有通信图的本地知识，而没有用于共享数据的先验模型。但是，给定通信图满足严格的图形连接要求的验证使W-MSR在实践中难以使用。在本文中，我们显示了机器人文献中常用的通信图结构，即基于Voronoi Tessellation构建的通信图，自动产生足够连接的图以拒绝单个非合作团队成员。此外，我们展示了如何增强该图，以拒绝两个非合作团队成员，并为修改进一步的弹性提供路线图。这项贡献将允许在已经依赖基于Voronoi的通信（例如分布式覆盖范围和探索算法）的算法中轻松应用弹性共识。

在机器人研究中，在不平坦的地形中安全导航是一个重要的问题。在本文中，我们提出了一个2.5D导航系统，该系统包括高程图构建，路径规划和本地路径，随后避免了障碍。对于本地路径，我们使用模型预测路径积分（MPPI）控制方法。我们为MPPI提出了新的成本功能，以使其适应高程图和通过不平衡运动。我们在多个合成测试和具有不同类型的障碍物和粗糙表面的模拟环境中评估系统。

在这项工作中，我们对屏障形成问题进行了结构和算法研究：选择分离平面中几组相互不相交的对象的直线段（屏障）的最大数量。该问题模拟了线路传感器（例如，红外激光束）的最佳放置，用于以配对方式隔离许多类型的区域，以便实际目的（例如，防止入侵）。即使我们想在平面中分开两组点数的最小行数，问题也是NP-sust。在具有最小线段的屏障形成的障碍问题下，检查了三个设置：点组的屏障，具有多边形障碍物的点组，具有多边形障碍物的多边形组。我们描述了在数学编程的帮助下计算前两个设置的最佳解决方案的方法，并为第三个提供2-OPT解决方案。我们通过广泛的模拟展示了我们方法的有效性。

在本文中，我们提出了一种从3D点云生成分层的体积拓扑图的方法。我们的地图中有三个基本的分层级别：$ Storey - Region - 卷$。我们的方法的优点在输入和输出中反映。在输入方面，我们接受多层点云和建筑结构，倾斜的屋顶或天花板。在输出方面，我们可以使用不同维度的度量信息来生成结果，适用于不同的机器人应用。算法通过从3D Voxel占用映射生成$卷$来生成体积表示。然后，我们加入$段落$ s（$卷$之间的连接），将小$卷$组合成一个大多数$地区$，并使用2D分段方法进行更好的拓扑表示。我们在几个可自由的数据集中评估我们的方法。实验突出了我们的方法的优势。

为了解决复杂环境中的自主导航问题，本文新呈现了一种有效的运动规划方法。考虑到大规模，部分未知的复杂环境的挑战，精心设计了三层运动规划框架，包括全局路径规划，本地路径优化和时间最佳速度规划。与现有方法相比，这项工作的新颖性是双重的：1）提出了一种新的动作原语的启发式引导剪枝策略，并完全集成到基于国家格子的全球路径规划器中，以进一步提高图表搜索的计算效率，以及2）提出了一种新的软限制局部路径优化方法，其中充分利用底层优化问题的稀疏带系统结构以有效解决问题。我们在各种复杂的模拟场景中验证了我们方法的安全，平滑，灵活性和效率，并挑战真实世界的任务。结果表明，与最近的近期B型zier曲线的状态空间采样方法相比，全球规划阶段，计算效率提高了66.21％，而机器人的运动效率提高了22.87％。我们命名拟议的运动计划框架E $ \ mathrm {^ 3} $拖把，其中3号不仅意味着我们的方法是三层框架，而且还意味着所提出的方法是三个阶段有效。

在人类和机器人在同一空间中移动的情况下，在执行自己的任务时，移动机器人采取的可预测路径不仅可以让环境感觉更安全，但人类也可以通过避免路径冲突来帮助在空间中导航阻止方式。所以可预测的路径变得至关重要。随着机器人的数量增加，人类预测机器人的路径的认知努力变得无法安全。随着人类的增加，它还使机器人在考虑多个人类运动的同时移动。此外，如果新的人士正在餐馆，银行和医院进入空间 - 他们将不那么熟悉机器人通常采取的轨迹;这进一步增加了沿着路径的可预测机器人运动的需求。考虑到这一点，我们建议最小化机器人的导航图，以获得基于位置的可预测性，这是从机器人的当前位置的可预测性。这是重要的，因为不能预期人类来跟踪机器人的目标和事先行动，除了做自己的任务之外。在本文中，我们定义了基于位置的可预测性的措施，然后呈现并评估爬山算法以最小化机器人运动的导航图（定向图）。其次是我们的人类主题实验的结果，支持我们提出的方法。