arXiv 上发布的一篇机器人学（cs.RO）论文提出了 AO-ARC，这是一种面向多机器人运动规划（MRMP）的随时（anytime）算法。所谓“随时”算法，指的是它能在较短时间内给出第一个可行解，随后随着计算时间的增加持续改进解的质量；这一点对实际部署多机器人系统尤为重要，因为这类系统通常既需要快速响应，也希望在算力允许时逐步逼近更优的协同方案。
据摘要介绍，AO-ARC 的初始解求解时间与当前最先进的 MRMP 可行性求解器处于同一水平；随着机器人数量增加，它在收敛速度和可靠性方面优于已有的 anytime MRMP 方法。这解决了一个关键矛盾：机器人一多，联合配置空间维度急剧膨胀，集中式规划很快变得不可行，而去中心化方法又往往难以保证解的质量，AO-ARC 试图同时兼顾两者。
在方法设计上，AO-ARC 改造了 AO-x 元算法。AO-x 的作用是把一个只能判断“可行 / 不可行”的求解器转换为随时算法，其核心思路是反复在逐步收紧的有界实例上调用原求解器，从而得到代价不断下降的解序列。AO-ARC 采用的方式是：在 makespan（完成时间）代价度量下，对带界的 MRMP 实例反复调用原始 ARC 方法。
要让 AO-x 的框架成立，必须保证“一致的代价上界”，且该上界要在机器人的分解（decoupling）与组合（coupling）过程中都得到保持。AO-ARC 利用 ARC 的自适应（解）耦合能力来满足这一点：ARC 会根据需要动态决定把问题拆分成较小子问题还是联合求解，而 AO-ARC 在此基础上构造出满足 AO-x 要求的有界实例序列。摘要强调，正是这种结合使得算法既能快速给出可行解，又能逐步逼近最优代价。
理论方面，作者提供了分析，证明 AO-ARC 具备渐近最优性。这意味着随着计算时间趋于无限，算法返回的解的代价几乎必然收敛到最优值。该性质为 anytime 方法提供了质量保证，而不只是经验上的改进。
实证方面，论文在两类场景上进行了评估：一类是具有不同协调复杂度水平的二维场景，用于检验算法在机器人数量和耦合程度变化时的表现；另一类是具有现实应用代表性的三维机械臂场景。这些实验旨在验证 AO-ARC 在多机器人协调难度较高时是否仍能保持较快的收敛和稳定的求解质量。
论文由 James D. Motes 等三位作者完成，于 2026 年 6 月 25 日提交至 arXiv，编号 arXiv:2606.27495v1，属于 cs.RO 领域。作者指出，该方法的目标是让 anytime 多机器人规划在机器人数目扩大时依然可靠，并为其正确性与最优性提供理论支撑。