arXiv 于 2026 年 10 月 26 日收录了论文《cuArms: GPU-Accelerated Conflict-Based Planning for Multi-Arm Manipulation》（cuArms：面向多机械臂操作的 GPU 加速冲突式规划），作者为 Philip Huang 等共 5 人，论文编号 arXiv:2610.36250v1，归类于机器人学（cs.RO），同时涉及人工智能（cs.AI）与多智能体系统（cs.MA）。该论文共 8 页、含 8 幅图，提交时间为 2026 年 10 月 26 日 20:31:00 UTC，全文约 4,378 KB，DOI 为 10.48550/arXiv.2610.36250，目前由 DataCite 签发的 DOI 仍在注册中。作者还在项目主页 https://cuarms.github.io/ 上提供了仿真与真实工业任务的视频演示。
研究动机来自多机械臂操作的实际潜力：多臂协作有望显著提升众多操作任务的吞吐量、效率与灵巧程度。现有工作主要沿三条路线展开：一是在共享工作单元内为多台机械臂分配并调度任务，以获得更高的并行度；二是联合规划多臂的运动轨迹；三是直接学习多臂策略。然而这些方法各自存在短板——有的速度过慢，有的依赖特定领域的假设，还有的随着机器人数量与任务时长的增加而扩展性变差。
针对上述问题，作者提出 cuArms，一种与 GPU 并行计算协同设计的冲突式规划器（conflict-based planner）。其核心思路是高效分解搜索空间：为每台机器人构建可复用的多模态路线图（multi-modal roadmap），并通过惰性搜索（lazy search）来消解机器人之间的冲突与死锁。所谓惰性，是指在需要时才展开和检查潜在冲突，从而避免在搜索早期进行大量昂贵的碰撞检测与一致性验证。
为了把任务分配、调度、运动与操作技能纳入统一优化，作者在 cuArms 之上集成了一个高层调度器，由它提出候选任务骨架（skeleton），再交由 cuArms 落地为经过协调的操作计划。这样，系统能够同时兼顾“做什么、何时做、怎么动、用何种技能”这几个层面，而不是把它们割裂处理。
实验结果方面，论文称该方法建立了新的技术水准：能够实时给出初始解，并支持在运动质量与调度质量两个维度上的随时改进（anytime improvement）。与基于学习的方法相比，cuArms 无需耗费数天的领域专用训练即可投入使用。这一特性对工业部署尤为重要，因为学习型方案往往需要大量领域数据和调参成本。
需要指出的是，当前公开信息主要来自论文摘要与元数据，实验的具体指标、基线对比细节以及真实工业场景的覆盖范围尚需查阅论文全文与项目页面上的视频才能进一步评估。此外，论文的 8 页篇幅也意味着部分实现细节可能较为精简，读者若关注可复现性，应结合全文中的方法与实验章节阅读。