Effiziente Multi-Roboter-Abdeckung in dynamischen Umgebungen bleibt eine wesentliche Herausforderung für Anwendungen wie Lagerautomatisierung, Umweltüberwachung, Inspektionen in großen Räumen, SAR sowie andere innovative Anwendungen in der Industriellen Inspektion. Traditionelle Methoden, wie Spannbaumabdeckung und gebietsbasierte Partitionierung sowie marktbasierte Ansätze wie die gebietsbasierte Teilbereichspartitionierung (DARP), sind unter statischen Bedingungen wirksam, leiden jedoch unter Unflexibilität bei der Handhabung dynamischer Hindernisse und geringer Anpassungsfähigkeit an Echtzeitänderungen. Dieses Papier stellt einen hybriden Rahmen vor, Robust DARP und A*, der den dynamischen, gebietsbasierenden Partitionierungsalgorithmus (DARP) mit A*-Pfadplanung vom Punkt-zu-Punkt-Navigieren zur Abdeckung integriert, mit Gebietsrestriktionen, die vollständige und effiziente Abdeckung und Pfadplanung in nicht-stationären Umgebungen ermöglichen. Die wichtigsten Innovationen umfassen: Lokalisierter Revierreparaturmechanismus; eine dreistufige Reparaturhierarchie (lokal–regional–global); inkrementelle Revierreparatur anstelle kompletter Neukalkulation zur Minimierung des Rechenaufwands bei Einfügen dynamischer Hindernisse; arbeitslastbalancierte Partitionierungsstrategie, die gerechte Aufgabenverteilung sicherstellt; und einen wegminimierenden Pfadplaner, der die Energieeffizienz verbessert. Faire Aufgabenverteilung unter mehreren Robotern ohne zentrale Koordination. Umfangreiche Simulationstests über verschiedene Gelände und Teamgrößen (2 bis 20 Roboter) zeigen, dass unsere Methode erreicht: Abdeckung ≥ 97,3 % unter bedeutenden dynamischen Hindernissen. Nahezu optimale Pfadeffizienz (max/min-Verhältnis ≤ 1,15) und Laufzeit unter einer Sekunde bei großen Teams. Diese Arbeit präsentiert eine robuste, skalierbare Lösung, die eine algorithmische Grundlage für den realen autonomen Einsatz bietet. Die Evaluation erfolgt vollständig in Simulation mit Python- und Pygame-Umgebungen; zukünftige Arbeiten werden den Rahmen erweitern, um Roboter mit unterschiedlichen Fähigkeiten für reale Einsätze und Optimierungen zu unterstützen.
Sharma et al. (Sun,) haben diese Fragestellung untersucht.