MOSAIC: Modular Scalable Autonomy for Intelligent Coordination of Heterogeneous Robotic Teams

📄 arXiv: 2601.23038v1 📥 PDF

作者: David Oberacker, Julia Richer, Philip Arm, Marvin Grosse Besselmann, Lennart Puck, William Talbot, Maximilian Schik, Sabine Bellmann, Tristan Schnell, Hendrik Kolvenbach, Rüdiger Dillmann, Marco Hutter, Arne Roennau

分类: cs.RO

发布日期: 2026-01-30

备注: This work has been submitted to the IEEE for possible publication

💡 一句话要点

提出MOSAIC框架，实现异构机器人团队在复杂环境下的自主科考与高效协同

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多机器人系统 自主协同 任务分配 异构机器人 空间探索

📋 核心要点

  1. 现有移动机器人常依赖人工遥控，限制了部署规模，且需要操作员与机器人间的低延迟通信。
  2. MOSAIC框架通过基于兴趣点的任务抽象和多层自主性，实现了异构机器人团队的自主协同。
  3. 实验表明，该框架在机器人故障情况下仍能高效完成任务，显著降低了操作员的工作量。

📝 摘要（中文）

本文提出MOSAIC，一个可扩展的自主框架，用于多机器人科学探索，它基于兴趣点（POIs）的统一任务抽象和多层自主性，从而实现单操作员的监督。该框架根据每个机器人的能力动态分配探索和测量任务，利用团队层面的冗余和专业化来实现连续运行。我们在模拟月球勘探场景的空间模拟野外实验中验证了该框架，实验涉及由五个机器人和单个操作员组成的异构团队。尽管一个机器人在任务期间完全失效，但该团队以86%的自主率完成了82.3%的分配任务，而操作员的工作量仅为78.2%。这些结果表明，所提出的框架能够以有限的操作员干预实现稳健、可扩展的多机器人科学探索。我们进一步总结了机器人的互操作性、网络架构、团队组成和操作员工作量管理方面的实践经验，为未来的多机器人探索任务提供参考。

🔬 方法详解

问题定义：论文旨在解决多机器人团队在复杂环境（如太空或灾难救援）中进行科学探索时，过度依赖人工遥控的问题。现有方法通常需要操作员持续监控和控制机器人，限制了部署规模和效率，并且对通信延迟非常敏感。

核心思路：论文的核心思路是构建一个可扩展的自主框架，该框架能够根据每个机器人的能力动态分配任务，并利用团队层面的冗余和专业化来实现连续运行。通过引入基于兴趣点（POIs）的统一任务抽象，简化了任务分配和管理，并允许多层自主性，从而减少了操作员的干预。

技术框架：MOSAIC框架包含以下主要模块：1) 任务抽象层：使用兴趣点（POIs）来定义探索和测量任务。2) 任务分配层：根据机器人的能力和位置，动态地将任务分配给不同的机器人。3) 自主控制层：每个机器人根据分配的任务自主地进行导航、探索和测量。4) 监控与干预层：操作员可以监控整个团队的状态，并在必要时进行干预。整个流程是一个闭环反馈系统，机器人执行任务，系统评估结果，并根据结果调整任务分配。

关键创新：MOSAIC框架的关键创新在于其统一的任务抽象和多层自主性。传统的机器人控制方法通常需要操作员直接控制机器人的运动和行为，而MOSAIC框架通过将任务抽象为兴趣点，允许操作员以更高级别的方式进行控制。此外，多层自主性使得机器人能够在不同的层面上自主地进行决策和行动，从而减少了操作员的干预。

关键设计：论文中没有详细描述具体的参数设置、损失函数或网络结构等技术细节。但是，任务分配算法的设计是关键，需要考虑机器人的能力、位置、任务的优先级等因素。框架的网络架构也至关重要，需要保证机器人之间的通信和数据共享。

📊 实验亮点

在模拟月球勘探的实验中，由五个机器人组成的异构团队在单操作员的监督下，以86%的自主率完成了82.3%的分配任务。即使其中一个机器人完全失效，团队仍然能够高效地完成任务，并且操作员的工作量仅为78.2%。这些结果表明，MOSAIC框架具有很强的鲁棒性和可扩展性。

🎯 应用场景

该研究成果可应用于太空探索、灾难救援、环境监测等领域。通过部署自主协同的机器人团队，可以降低对人工操作的依赖，提高任务执行效率和安全性。未来，该框架有望扩展到更复杂的任务和环境，实现更大规模的机器人协同。

📄 摘要（原文）

Mobile robots have become indispensable for exploring hostile environments, such as in space or disaster relief scenarios, but often remain limited to teleoperation by a human operator. This restricts the deployment scale and requires near-continuous low-latency communication between the operator and the robot. We present MOSAIC: a scalable autonomy framework for multi-robot scientific exploration using a unified mission abstraction based on Points of Interest (POIs) and multiple layers of autonomy, enabling supervision by a single operator. The framework dynamically allocates exploration and measurement tasks based on each robot's capabilities, leveraging team-level redundancy and specialization to enable continuous operation. We validated the framework in a space-analog field experiment emulating a lunar prospecting scenario, involving a heterogeneous team of five robots and a single operator. Despite the complete failure of one robot during the mission, the team completed 82.3% of assigned tasks at an Autonomy Ratio of 86%, while the operator workload remained at only 78.2%. These results demonstrate that the proposed framework enables robust, scalable multi-robot scientific exploration with limited operator intervention. We further derive practical lessons learned in robot interoperability, networking architecture, team composition, and operator workload management to inform future multi-robot exploration missions.