uran的专栏

本文探讨了GOMS建模在多机器人用户界面设计中的应用，通过MissionLab工具集的案例研究，分析了传统系统与集成CBR-CNP系统的任务生成效率和学习成本。结果表明，GOMS建模能有效预测界面可用性，具有成本低、预测性强、灵活性高和鲁棒性好的优势，尽管存在主观决策、模型复杂性和实际偏差等挑战，但通过标准化、简化模型和结合实际数据可加以改进。该方法为多机器人系统界面优化提供了高效、低成本的评估路径。

RACHNA是一种基于市场的分布式多机器人任务分配系统，通过任务对机器人服务进行投标的创新机制，解决传统单机器人单任务假设下的局限性。该系统利用服务代理与任务代理的协作，结合多单元组合拍卖模型，实现高效、灵活的任务分配。实验表明，RACHNA在任务效用、资源利用率和动态抢占方面优于贪心与随机算法，适用于工业自动化、救援行动和智能物流等复杂场景。

本文研究了多机器人系统的种群比例调节问题，受社会昆虫劳动分工机制启发，提出了一种基于挥发性外部材料反馈的可变概率模型。该模型通过动态调整机器人状态转移率来维持期望的任务分配比例，在仿真和实际机器人实验中均表现出良好的稳定性与抗干扰能力。与简单概率模型相比，新模型波动更小、任务切换更少，能快速恢复平衡，适用于协作式多机器人系统的高效任务分配。

本文提出了一种基于遍历过程组合的原则性方法，用于解决大规模多机器人系统的控制器综合问题。通过构建并耦合两个简单的遍历过程——状态值守恒的过程1和基于Ising模型的过程2，实现了集群在无集中控制下的顺序检查任务同步决策。研究结合微正则Metropolis蒙特卡罗（MMMC）方法对过程宏观行为进行统计表征，并利用高保真微观仿真验证控制器在噪声传感与局部通信条件下的有效性。实验结果表明，该方法能在441个机器人组成的集群中成功实现从东北到西南目标点的有序访问，验证了所提综合方法在简单任务中的可行性与鲁棒性。文章

本文提出并评估了一种基于分布式拍卖的多AUV协同框架DEMiR-CF，用于复杂环境下的海军扫雷（MCM）任务。该框架在通信受限、存在故障和动态变化的水下环境中，实现了覆盖探测与目标识别任务的在线动态分配与重规划。通过ALWSE-MC模拟器中的多个实验场景验证，DEMiR-CF在不同消息丢失率下仍保持高任务完成率，并展示了良好的鲁棒性和适应性。结果表明，该方法能有效应对通信故障、机器人失效等现实挑战，具备应用于搜索救援等其他复杂任务领域的潜力。

DEMiR-CF是一个高效的分布式多机器人协作框架，旨在应对复杂、相互关联且需实时响应的任务场景。该框架结合分布式拍卖机制、动态任务选择、联盟形成与Plan B预防程序，能够在通信受限和存在故障风险的环境中保持高解决方案质量。通过一致性检查、成本评估和实时调度，DEMiR-CF支持机器人团队在多变环境下自主协调任务，并有效处理突发事件。已在对象构建、多目标探索和海军扫雷等场景中验证其性能，在多机器人多目标探索中性能接近2*OPT。具备高效性、健壮性、适应性和近最优性，适用于工业制造、物流仓储和灾害救援等多种

本文研究多智能体部分可观测马尔可夫决策过程（POMDP）中的执行时通信决策问题，重点解决‘应该通信什么内容’而非仅‘何时通信’。针对固定通信成本和有限带宽两种通信范式，提出Dec-Comm-Selective算法与BuildMessage启发式方法，使智能体能够选择对团队性能最有价值的观测信息进行通信。通过在多智能体老虎和科罗拉多/怀俄明领域中的实验验证，该方法显著减少了通信开销并提升了团队协作效率。文章还探讨了其在机器人协作与分布式监控等实际场景中的应用前景。

本文提出了一种基于协调成本的自适应机器人通信框架，通过量化通信与碰撞解决所消耗的时间和能量成本，实现对不同通信方法的动态选择。文中设计了两种自适应方法：统一切换和自适应通信邻域，并在多机器人觅食任务中进行实验验证。结果表明，自适应方法显著提升了团队生产率，且协调成本与生产率呈强负相关。该方法具有良好的扩展性和环境适应性，适用于多种多机器人协作场景。

本文提出了一种用于相机传感器网络的同步规划、定位与建图（SLAM）的自动化方法，通过移动机器人携带校准标记实现相机参数的自动估计。系统将问题分解为局部校准、数据融合与全局建图三个子任务，采用ARTag标记进行高精度目标检测，并利用6自由度扩展卡尔曼滤波器（EKF）融合里程计与相机测量数据，构建一致的全局地图。研究对比了五种机器人局部运动策略对校准精度和里程计误差累积的影响，实验表明多面板平移和旋转策略在保证低误差的同时提供良好校准效果。在办公室环境中部署7个相机节点的实验证明了该方法在大范围建图中的有效性。

本文提出了一种基于分布式玩法的机器人团队角色分配算法，旨在解决机器人世界杯四足联赛中高度动态和不确定环境下的团队协作问题。该算法通过定义玩法的适用性条件、角色分配和权重，实现根据环境状态和比赛情况动态调整策略，并在领导机器人上运行玩法选择器进行实时决策。算法采用保留角色的分配方式，有效减少角色振荡和过渡成本，提升团队稳定性与效率。实验结果表明，该方法在高网络延迟、有限感知和时间约束等挑战下仍能保持良好性能，并在2005年机器人世界杯中取得第四名的优异成绩。未来工作将聚焦于自动玩法适应、对手策略识别及在其他多

本文提出了一种利用无线信号强度实现小型机器人群体分散的去中心化方法——团簇-强度算法。该方法无需依赖激光测距仪或全向摄像头等大型传感器，仅通过无线信号强度近似距离信息，结合局部决策实现群体的高效区域覆盖。算法通过构建连接图、识别最大团簇并指定哨兵机器人来引导分散行为，在洞穴状和医院复杂地图的模拟实验中表现出良好的覆盖扩展能力。研究验证了在无相对位置感知条件下，使用低成本小型机器人仍可实现有效分散，为灾难救援、军事侦察和行星探索等场景提供了可行方案。未来工作将聚焦于更真实的信号建模及真实机器人平台验证。

本文研究了在烟雾、黑暗和杂乱的城市搜索与救援环境中，利用无线电测距传感器进行多机器人协同跟踪移动目标的技术。提出基于粒子滤波的跟踪算法，并融合地图先验知识以提高定位精度；设计分布式协同控制算法，通过GDOP指标优化机器人团队配置，降低目标位置不确定性。模拟与实验结果表明，该方法在高噪声和障碍物密集环境下仍具有良好的鲁棒性和跟踪性能，尤其在使用非视线测距传感器时表现更优。未来将探索行为建模与故障容错机制以提升系统实用性。

本文介绍了模块化机器人系统M-TRAN的第三代原型M-TRAN III及其分布式变形控制技术。通过改进连接机制、设计基于虚拟CPU的分布式控制器和开发多种编程与仿真工具，实现了最多20个模块的大规模自重构实验，验证了系统的同质性、鲁棒性和局部同步控制能力。研究涵盖了硬件优化、控制架构、实验测试及未来自动编程与自主重构的发展方向，并探讨了其在工业制造、灾难救援、太空探索等领域的广泛应用潜力。

本文提出了一种针对单操作员多机器人系统在紧密协调任务中处理呼叫请求的分布式解决方案。与传统的集中式和完全自主方法不同，该方法让正常运行的机器人主动协助操作员定位和解决故障，充分利用机器人团队的组织知识与操作员的判断能力，实现能力互补。通过对25名人类操作员的实验评估，结果表明分布式方法显著缩短了故障恢复时间，提升了系统性能稳定性，并减少了操作员间的差异。该方法在搜索救援、行星探索和多车辆协同等场景中具有广泛应用前景，并为未来人机协作系统的优化与智能化发展提供了重要方向。

本文对比研究了自组织的阈值方法与有意的基于市场方法在多机器人任务分配中的性能，重点分析了信息准确性、通信范围和任务感知范围等现实条件对分配质量的影响。研究表明，在信息准确时，基于市场的方法更高效；而在信息不准确或通信受限时，阈值方法以更低的成本实现了相当的分配质量。两种方法在低通信和低感知范围内均表现出良好鲁棒性。研究为不同应用场景下的任务分配策略选择提供了决策依据，并展望了未来在真实环境中的验证方向。

本文提出了一种基于区域的多机器人协同目标跟踪算法，通过估计机器人和目标的密度分布，构建紧急度与效用函数，实现分布式、在线且可扩展的运动规划。该方法避免了传统POMDP框架的高计算开销，适用于传感器数量有限、目标众多且无先验信息的场景。文章详细解析了密度估计、效用计算与运动策略，并通过仿真与真实机器人实验验证了算法的有效性与稳定性。结果表明，全局最大方法在不同通信范围下均表现最优，且系统具备良好的环境适应性与可扩展性，适用于异构传感器网络和动态变化的任务需求。

本文探讨了分布式机器人架构与改进粒子群优化（PSO）算法在动态环境中的应用，重点解决气味源定位问题。提出的分布式架构通过语言抽象实现灵活控制与通信，支持多机器人协作；改进的PSO算法引入变化检测、多群体策略和碰撞避免机制，有效应对动态环境挑战。文章分析了风向、障碍物等环境因素的影响，并提出多传感器融合、自适应参数调整和在线学习等优化策略。未来研究将聚焦复杂环境建模、算法自适应优化及实际硬件部署，推动该技术在真实场景中的应用。

本文探讨了非线性振荡器网络的同步控制与多机器人系统在未知室内环境中的前沿图探索技术。在非线性振荡器方面，研究通过本征频率差异和网络几何结构两种方式实现收敛状态的控制，揭示了仅通过结构操作调控系统动态行为的可能性；在多机器人探索方面，提出了一种结合局部占用网格与全局图表示的前沿图探索（FGE）算法，具备去中心化、可扩展性和容错能力，并通过仿真与硬件测试验证了其可行性。文章还对比了不同控制与探索方法的优劣，给出了操作步骤与流程图，最后指出了未来在定位精度、合作策略和节点放置等方面的改进方向。

本文研究了自组织机器人群系统的识别方法，提出结合概率宏观模型与参数优化的系统识别框架。通过线性和非线性案例（如机器人检查任务）验证了建模与优化流程的有效性。文章采用PFSM抽象机器人行为，利用实验数据和最小二乘法或凸优化算法进行参数校准与优化，提升了模型预测精度。结果表明，即使在建模假设不完全满足的情况下，优化后的模型仍能准确捕捉系统动态，并揭示模型局限性，为后续改进提供方向。该方法具有广泛适用性，适用于可由概率模型描述的自组织机器人系统。

本文提出一种基于概率学习的多机器人任务分配方法，通过让机器人学习投标中标概率和任务被成功投标的概率，优化拍卖与投标决策，有效降低通信与计算成本。实验表明，该方法在不同配置下可显著减少消息数量和调度开销，适用于行星探索、搜索救援等多机器人协作场景，并为未来在线学习与组合拍卖扩展提供了研究方向。

本文提出一种构建小尺寸基于线段地图的新方法，通过增量式整合扫描数据与现有地图，在对齐后融合线段以显著减少地图中的线段数量。该方法不依赖扫描数据采集方式，适用于单机器人和多机器人场景，尤其在结构化环境中能有效降低地图复杂度。实验结果显示线段数量减少率达85%以上，验证了方法的有效性。未来工作将拓展至大型环境测试、不同传感器应用及引入计算机图形学优化技术。

本文提出了一种分布式算法，用于检查多机器人系统的双连通性，确保在任意机器人失效时系统仍能保持通信连通。通过CR-FILL和DCR-FILL算法分别构建机器人的连接与双连通关系列表，并结合双连通性检查算法判断整体网络的鲁棒性。文章分析了算法的时间、通信和空间复杂度，并提出了消息复用和减少启动机器人数量等优化策略。最后讨论了实际应用中的通信延迟、机器人移动和系统扩展性等问题，为未来构建稳定、高效的多机器人协作系统提供了理论基础和技术路径。