结构化交互提升真实世界多机器人系统中分布式协同，超越模型缩放

arXiv cs.AI 论文
multi-robot-systems coordination communication-topology scaling robotics distributed-systems real-world-experiment

摘要

本文研究在机器人的运输与地图构建任务中，重新组织机器人间的通信是否比增大机载模型规模带来更大收益。结果显示，切换至模块化层级交互可将归一化性能提升47点，而将神经网络隐藏层大小翻倍至多带来9点提升。

arXiv:2605.30383v1 公告类型：交叉 摘要：扩展单个机器人能力很常见但成本高昂。本文探讨了真实世界多机器人协同中的一个系统级设计问题：在硬件预算匹配的情况下，重新组织机器人间的通信是否比增大机载模型规模带来更大收益？使用一项代表性的运输与地图构建任务，涉及10台实体机器人（每种条件5次运行，总计60次运行），我们发现从全连接切换至模块化层级交互可将归一化性能提升47点（0-100），而将神经网络隐藏层大小翻倍至多带来9点提升。嵌套混合效应模型比较显示，拓扑结构对模型拟合的改善幅度显著大于规模缩放。这一模式在独立的SMAC复现中得到确认；异质基准重分析提供了次要的一致性检验支持，而非主要证据。模拟校准的外推中观察到超过1024隐藏单元的性能饱和，并非直接在硬件上观测。这些结果表明，在测试系统和任务设定中，交互结构可以发挥主导作用，而更广泛的定量泛化仍有待确立。
查看原文
查看缓存全文

缓存时间: 2026/06/01 09:30 

# 结构化交互在真实世界多机器人系统中超越模型缩放提升分布式协调
来源：https://arxiv.org/abs/2605.30383
查看 PDF (https://arxiv.org/pdf/2605.30383)

> 摘要：扩展单个机器人能力虽然常见但成本高昂。本文在真实世界的多机器人协调中探究一个系统级设计问题：在硬件预算匹配的情况下，重构机器人间的通信是否比增加机载模型规模带来更大的性能提升？我们使用由10个物理机器人组成的代表性运输与建图任务（每个条件5次运行，共60次运行）发现，从全连接交互模式切换为模块化层级交互可将归一化性能提升47分（0–100分），而将神经网络隐藏层大小加倍最多仅能提升9分。嵌套混合效应模型比较显示，拓扑结构对模型拟合度的改善远大于规模缩放。该模式在独立的SMAC复现实验中得到验证；异构基准的再分析提供了次要的一致性验证而非主要证据。在模拟校准的外推中观察到超过1024个隐藏单元的性能饱和现象，而非直接在硬件上观察。这些结果表明，在所测试的系统与任务设定中，交互结构可发挥主导作用，但其更广泛的定量泛化性仍有待建立。

## 提交历史

来自：JunPing Wang \[查看邮件 (https://arxiv.org/show-email/9a99ce78/2605.30383)\] **\[v1\]**2026年5月28日星期四 03:21:52 UTC（2,322 KB）

相似文章

模块化AI系统中的参与扩展

arXiv cs.AI

本文介绍了“参与扩展”这一新范式，通过多样化利益相关者的贡献构建模块化AI系统。其中，小型模型协作在多种任务上比单体LLM性能高出最多15.4%，展现出涌现能力并改善多样性收益。

多并非总是更好：大语言模型智能体搭建中的跨组件干扰

arXiv cs.AI

本文挑战了“向大语言模型智能体添加更多搭建组件总能提升性能”的假设，通过系统实验证明，跨组件干扰往往会导致性能下降。研究发现，在各种模型规模下，更简单、针对特定任务的组件子集通常优于配备齐全的“全能型”智能体。

从模型扩展到系统扩展：在自主AI中扩展架构框架

Hugging Face Daily Papers

本文认为，推进自主AI需要扩展围绕基础模型的系统架构，重点关注可审计、模块化和可验证的组件。作者介绍了参考架构框架CheetahClaws，并概述了上下文管理、可信内存和动态技能路由方面的瓶颈。

探索共享工作空间中的人机协同

arXiv cs.AI

本文研究了共享工作空间中的人机团队协调，使用Collaborative Gym和DiscoveryBench任务，发现如果没有适当的结构，增加协作者可能会降低性能。通过共享组记忆和人在回路门控进行支撑，可以提升性能，尤其是在三人团队中。