arXiv cs.AI· Manav Vora, Gokul Puthumanaillam, Aditya Penumarti, Jane Shin, Melkior Ornik·· 3 天前AI 评分24
Akule：基于稀疏交互扩散的快速可扩展多机器人运动规划
Akule: Fast and Scalable Multi-Robot Motion Planning via Sparse Interaction Diffusion
AI 导读
Akule 是一个稀疏交互扩散框架，通过可复用的成对修正模型、上下文选择器和组合器三个学习模块，在冻结的单机器人先验上协调多机器人运动。它在多个 MRMP 基准上实现最高 25 倍完整规划器加速、零样本规模迁移，并成功规划多达 256 台机器人。消融实验显示，学习式选择与组合相比启发式选择和均匀求和能减少修复前冲突与下游修复开销。
正文 · AI 翻译
摘要：扩散模型为多机器人运动规划（MRMP）提供了富有表现力的轨迹先验，但将其扩展到大规模机器人团队需要协调各个机器人的运动，而不能进行代价高昂的联合计算。我们提出了 Akule，一种稀疏交互扩散框架，它通过三个学习模块增强一个冻结的单机器人先验：一个可复用的成对校正模型 $R_{\phi}$、一个上下文选择器 $U_{\psi}$（用于确定评估哪些校正），以及一个组合器 $G_{\omega}$（通过依赖上下文的有符号权重组合它们的效果）。这种分解将哪些交互值得计算与如何将其效果组合为协调的去噪更新分离开来。我们使用匹配的成对轨迹优化来训练 $R_{\phi}$，然后从物理优化的联合轨迹中学习 $G_{\omega}$ 和 $U_{\psi}$，而无需预先指定的真实交互图。由此产生的联合提议被传递给下游基于搜索的规划器进行验证和修复。在多样化的 MRMP 基准测试中，Akule 实现了具有竞争力的规划成功率、高达 $25\times$ 的完整规划器加速、零样本群体迁移，以及在多达 $256$ 个机器人情况下的成功规划。消融实验进一步表明，与启发式选择和均匀求和相比，学习到的选择和组合减少了修复前的冲突和下游修复工作量。
| 评论： | 项目网站：此 https URL |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2610.14248 [cs.RO] |
| （或 arXiv:2610.14248v1 [cs.RO] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14248 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Manav Vora [查看电子邮件]
[v1]
2026年10月9日星期五 19:10:23 UTC（8,580 KB）
来源：arXiv cs.AI · arxiv.org