.png){kind=icon}
返回
Efficient multi-robot exploration using deterministic and metaheuristic methods
.png){kind=icon}
OA
AI
DOI：10.3389/frobt.2026.1781310.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自主探索是机器人应用于众多领域中的关键挑战。然而，当前方法存在探索效率不足的问题，主要归因于全局覆盖范围有限和决策频率较低。为缓解这些限制，我们提出EMREL（高效多机器人探索），一种混合优化方法，旨在实现复杂陌生环境中快速的多机器人探索。该方法采用确定性协同多机器人探索（CME）模型，并将成本和效用值组织到所有机器人共享的前沿信息结构（FIS）中。初始的确定性成本和效用用于指导各机器人周围邻近单元的优先级排序，随后通过随机优化器（Crayfish Optimizer）改进搜索空间以提升整体解决方案。这表明机器人首先使用确定性方法评估环境，再在随机算法控制下进行移动。我们在普通和复杂地图上评估了所提出的混合技术，并与当代算法进行了比较。仿真结果表明，所提方法在探索率、时间效率及失败仿真次数方面均优于当代算法。这些研究成果展示了EMREL作为通用、优越且高效机器人探索方法的潜力，为多机器人系统设计的潜在发展奠定了框架。
Keyword:
optimization,exploration,crayfish optimizer,multi-robots,perception and autonomy,stochastic methods
期刊
F
IF:
3
论文数:
520
被引数:
6.9K
机构
引用论文
暂无论文信息