XiaoMi-AI文件搜索系统
World File Search System任务分配
自适应双级多机器人任务分配和在不确定性下使用时间逻辑约束
这项工作解决了未知机器人过渡模型下多机器人协调的问题，以确保按时间窗口时间窗口逻辑指定的任务对用户定义的概率阈值满意。我们提出了一个BI级框架，该框架集成了（i）高级任务分配，其中根据机器人的估计任务完成概率和预期奖励分配任务，以及（ii）在履行分配的任务时，机器人独立优化了辅助奖励。要处理机器人动力学中的不确定性，我们的方法利用实时任务执行数据来迭代地完善预期的任务完成概率和奖励，从而无需显式机器人过渡模型即可自适应任务分配。我们从理论上验证了所提出的算法，表明任务分配具有很高的置信度达到所需的概率阈值。最后，我们通过全面的模拟证明了框架的有效性。
能力感知的任务分配和团队形成分析复杂环境的合作探索
摘要 - 为了实现复杂的现实世界利用任务的自主权，我们考虑为具有异质自治能力的机器人团队的部署策略。在这项工作中，我们制定了一个多机器人勘探任务，并计算一项操作政策，以维持机器人团队的生产率并最大程度地提高任务奖励。环境描述，机器人能力和任务结果被建模为马尔可夫决策过程（MDP）。我们还包括实地世界操作中的限制，例如传感器故障，有限的沟通覆盖范围和移动性压力元素。然后，我们在DARPA地下（Subt）挑战的背景下研究了现实情况下提出的操作模型。在SubT挑战的最终竞争中，计算出的部署政策还与基于人类的操作策略进行了比较。最后，使用拟议的模型，我们讨论了建立具有异质功能的多机器人团队的设计权衡。
朝着基于学习的分布式任务分配...
摘要 - 本文引入了图形卷积网络（GCN）的新应用，以提高基于共识的捆绑算法（CBBA）在多机器人任务分配方案中的效率。本研究中提出的方法在于基于学习的策略的整合，以近似于CBBA框架中用于评分的传统启发式方法。通过采用GCN，提出的方法旨在学习和预测分数功能，这对于多机器人系统中的任务分配决策至关重要。这种方法不仅简化了分配过程，而且还可以提高机器人之间任务分布的准确性和效率。本文介绍了如何有效地针对此特定应用定制GCN的详细探索，以及结果证明了这种基于学习的方法比常规启发式方法在各种模拟的多机器人任务分配方案中的优势。关键字 - 任务分配，多机器人系统，分布式算法，图形卷积神经网络
机器人任务分配的大型语言模型
摘要 - 这项研究介绍了一个创新的框架，该框架采用大型语言模型（LLMS）来通过无缝整合构建机器人和人类用户来增强任务分配。LLM包含有关任务的关键数据，例如代理功能，以及要实现的最终目标的详细信息。计算有效的分配策略，平衡时间效率和资源使用情况。通过利用自然语言处理界面，该系统简化了与建筑专业人员的交互，并动态调整了不可预见的站点条件。同时使用两个LLM代理（生成器和主管代理）来提供更准确的任务时间表。我们使用一个简单的方案来测试所提出的方法，其中两个LLM代理的组合为完成任务提供了更准确和逻辑的时间表。结果突出了LLM在建设中转变运营任务的重要潜力，这表明该行业与AI的最新发展保持一致。
动态联盟形成和多机器人任务分配的路由通过增强学习
摘要 - 许多多机器人的部署，例如建筑物的自动构造，分布式搜索或合作映射，通常要求代理人智能协调其轨迹并在大型域上组建联盟，以尽快完成空间分布的任务。我们专注于涉及同质机器人的方案，但是任务在启动它们所需的代理数量中有所不同。例如，施工机器人可能需要在不同位置（例如，预制房间，材料/设备的板条箱）进行协作的重型物体，其中每个有效载荷的重量定义了所需的联盟尺寸。为了平衡代理商的总旅行时间及其等待时间（在任务启动之前），代理需要仔细测序任务，但也需要动态形成/解散联盟。虽然可以使用启发式或优化解决更简单的问题，但这些方法在涉及大型任务与代理比率的更复杂的实例中遇到了困难，需要频繁的联盟改变。在这项工作中，我们建议让代理商通过在强化学习框架中提出问题来迭代地构建合作计划以解决此类问题。我们的方法依赖于基于注意力的神经网络，使代理可以对系统的当前状态进行推理，以对优化短期联盟形成和长期任务计划进行优化的运动决策进行测序。我们进一步提出了一种新颖的追随者技术，以提高合作学习，并将我们的表现与各种情况下的传统基线进行比较。在那里，我们的方法与基准密切匹配或优于基准；特别是，在需要频繁的联盟更新的情况下，它产生了更高质量的解决方案，至少要比精确求解器快2个数量级。
自动移动系统的基于端到端的深钢筋学习基于模块化的任务分配框架
摘要 - 可以解决任务分配问题的智能决策系统对于多机器人系统以协作和自动化的方式进行工业应用至关重要，例如使用移动机器人使用移动机器人，使用无人体表面工具进行的水力调查等仓库检查等。因此，本文旨在解决多代理自动移动系统的任务分配问题，以自主，智能地将多个任务分配给机器人机器人。这种问题通常被视为与成员机器人以下任务计划分离的独立决策过程。为了避免由脱钩引起的亚最佳分配，提出了一个端到端任务分配框架，以解决此组合优化问题，同时在优化过程中考虑了后续的任务计划。该问题被称为多人多epter travely Salesmen问题（MTSP）的特殊变体。提议的端到端任务分配框架采用了深厚的强化学习方法来代替以前工作中使用的手工启发式方法。所提出的框架具有加固学习代理的模块化设计，可以针对各种应用程序进行自定义。此外，提出了基于机器人操作系统2的实体机器人实现设置，以实现仿真到现实差距。执行了仓库检查任务，以验证拟议框架的训练结果。该框架已通过模拟和实体机器人测试与各种参数设置进行了交叉验证，其中适应性和性能得到了很好的证明。
开放车队中的分散协调，以进行可扩展和动态的任务分配
大型和开放协作和商用车舰队协调的主要挑战之一是动态的任务分配。自我界定的独立合理的车辆驱动程序同时具有本地和全球目标，这需要使用某种公平有效的任务分配方法进行协调。在本文中，我们回顾了有关可扩展和动态任务分配的文献，重点是确定性和动态二维线性分配概率。我们专注于开放车队的多代理系统表示，其中动态出现的车辆由软件代理表示，这些软件应分配给一组动态出现的任务。我们对最新的研究结果进行了比较和批判性分析，该研究结果侧重于集中，分布和分散的解决方案方法。此外，我们提出了以下作业问题的动态版本的数学模型，在组合优化中众所周知：分配问题，瓶颈分配问题，公平匹配的问题，动态最小偏差分配概率，P K-分配问题，分配问题，半分配问题，半分配问题以及辅助分配的分配性分配的分配性代理人参差合格;在考虑开放车队的主要方面的同时：任务和车辆的随机到达（代理商）可能会在协助以前的任务或通过个人利益参与舰队的情况下可用。
含可再生能源的电力物联网计算任务分配
电力物联网是构建新能源新型电力系统的关键技术。针对包括可再生能源在内的电力物联网运行控制过程中数据量巨大导致云计算计算时延过大的问题，建立了基于边缘计算的电力物联网云-边-端协同优化计算模型。结合布置在发电设备周围的多种智能终端设备（STD）采集的数据，分析电力物联网的边缘计算框架，建立了基于最小化平均系统时延的计算任务分配模型。搭建相应仿真模型进行仿真验证。与其他基线方案相比，该优化方案可显著降低所有任务的平均系统时延。
基于DAG 和AHP-TOPSIS 算法的多乘员协同任务分配方法研究
等方面 . 人机功能分配主要包括静态和动态两种类型 , 静态功能分配是从功能特性和需求分析入手 , 通过比较人 和系统在完成该功能上的能力优势或绩效优劣 , 决定该功能分配给人还是系统 . 动态功能分配方法则是在静态 人机功能分配的基础上 , 当动态触发机制响应时 , 允许系统在运行阶段根据情况的变化将功能在人与系统之间 动态地重新分配 , 提高整体的工作效率 . 多智能体的任务分配是指在作战开始前 , 指挥中心通常会根据已掌握的 战场信息 , 对己方作战单元进行任务预分配 . 但随着战场情景变化以及突发情况的出现 , 预分配方案可能会使得 执行任务的效能降低 , 多智能体如何调整自身任务 , 使得执行任务的效能保持最大是其研究的主要内容 . 计算机 任务调度研究的是将任务动态地调用给各个虚拟机并提供给用户使用 , 怎样合理地将任务分配给不同的虚拟机 , 进而提升整个系统的性能是其研究的重点 . 以上分配原则对于多乘员分配有很好的参考价值 , 但舱室乘员间任 务分配时 , 主要考虑到人的特性 , 需要以人的理论基础来加以研究 [4] . 针对实际作战过程中 , 乘员应对非预期事件效率低下的问题 , 本文提出了一种多乘员协同动态任务分配方 法 . 在非预期事件触发时 , 对任务进行 DAG 分解及分层 , 根据乘员脑力负荷、乘员能力、任务相关度以及时间成 本四个因素 , 按照一定的任务分配顺序 , 基于 AHP-TOPSIS 方法进行乘员的优选 , 实时更新乘员状态 , 并以此为 依据进行下一任务的分配 . 任务分配过程可实现随乘员状态变化而动态调整 , 达到负荷均衡、效能最优 , 从而将 多任务分配问题简化为单个任务的多属性决策问题 .
考虑结果质量要求的人类+人工智能群体任务分配
本文探讨了向由人工智能和人类工作者组成的群体动态分配任务的问题。目前，众包创建人工智能程序是一种常见的做法。为了将这类人工智能程序应用于一组任务，我们通常采取“全有或全无”的方法，等待人工智能足够好。然而，这种方法可能会阻止我们在过程完成之前利用人工智能提供的答案，也会阻止探索不同的人工智能候选者。因此，将创建的人工智能与其他人工智能和人工计算相结合，以获得更高效的人机团队并非易事。在本文中，我们提出了一种解决这些问题的方法，即采用“分而治之”的策略来评估人工智能工作者。在这里，只要最终结果满足给定的质量要求，分配给人类的任务数量最少，分配就是最优的。本文对所提出的方法进行了理论分析，并利用开放基准和真实数据集进行了大量的实验。结果表明，当人工智能难以满足整个任务集的质量要求时，该算法可以向人工智能分配比基线多得多的任务。它们还表明，它可以根据现有人工智能工作者的表现灵活地改变分配给多个人工智能工作者的任务数量。