本研究提出了一种新框架，旨在解决多机器人任务分配和碰撞避免问题。通过空间聚类方法，缩短任务分配时间，提高解决方案质量，降低碰撞风险，具有重要的实际应用价值。

本研究提出了“GenSwarm”系统，利用大型语言模型自动生成和部署多机器人控制策略，提升了任务适应性和可重复性，显著缩短了开发周期，为机器人专家和非专家提供了实用解决方案。

本研究提出了一种新型多机器人行为树规划（MRBTP）算法，旨在解决多机器人任务规划的复杂性问题，提升规划速度与协作效率，实验结果验证了其稳健性与执行效率。

过去十年，单一机器人感知有进展，但多机器人协同感知研究较少。本文提出一个创新的数据集，利用空中和地面机器人的协同优势，提供多样化的传感器视角和高级感知注释，促进多机器人协同感知算法的研究。

本研究提出了一种新的深度强化学习方法，解决多机器人在未知环境中的资源限制和避碰问题。通过增强图建模支持通信和避碰规划，目标发现数量提高了33.75%。

本文介绍了在大规模、未知和复杂的地下环境中进行同时定位和地图构建（SLAM）的挑战性问题，并讨论了基于激光雷达的多机器人 SLAM 系统的实施和测试。通过在具有挑战性的地下环境中进行大规模评估，探讨了未来的研究方向。