Multi-Robot Cooperative Path Planning: Advances, Challenges, and Future Trends
Notice bibliographique
Résumé
From automated warehouse robots coordinating shelf movements to drones and ground vehicles navigating disaster zones, multi-robot systems (MRS) are transforming how complex tasks are performed in dynamic environments. Unlike single-robot systems, MRS can execute tasks in parallel, cover large areas efficiently, and adapt to unexpected changes. These advantages make them ideal for applications such as smart manufacturing, autonomous logistics, and emergency response. However, as robot teams scale up, they face growing challenges—task allocation becomes harder, path conflicts increase, and communication delays can undermine real-time coordination. This paper provides a structured review of cooperative path planning approaches for MRS. First, outline the fundamental characteristics of multi-robot coordination and key challenges such as collision avoidance, computational complexity, and dynamic re-planning. Then, categorize the main planning algorithms into three types: graph-based methods, intelligent optimization techniques, and deep learning models. We also compare centralized and distributed planning frameworks in terms of scalability, robustness, and real-world feasibility. Application case studies from warehouse systems, intelligent transportation, and search-and-rescue missions are presented to demonstrate how these planning strategies are implemented in practice. Finally, discuss open challenges such as heterogeneous robot integration, safety assurance, and communication resilience, and highlight future research directions including hybrid architectures and learning-driven coordination. This review aims to support the development of scalable, adaptive, and efficient path planning in multi-robot systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».