arXiv 於 2026 年 10 月 26 日收錄了論文《cuArms: GPU-Accelerated Conflict-Based Planning for Multi-Arm Manipulation》（cuArms：面向多機械臂操作的 GPU 加速衝突式規劃），作者為 Philip Huang 等共 5 人，論文編號 arXiv:2610.36250v1，歸類於機器人學（cs.RO），同時涉及人工智慧（cs.AI）與多智慧體系統（cs.MA）。該論文共 8 頁、含 8 幅圖，提交時間為 2026 年 10 月 26 日 20:31:00 UTC，全文約 4,378 KB，DOI 為 10.48550/arXiv.2610.36250，目前由 DataCite 簽發的 DOI 仍在註冊中。作者還在專案主頁 https://cuarms.github.io/ 上提供了模擬與真實工業任務的影片演示。
研究動機來自多機械臂操作的實際潛力：多臂協作有望顯著提升眾多操作任務的吞吐量、效率與靈巧程度。現有工作主要沿三條路線展開：一是在共享工作單元內為多臺機械臂分配並排程任務，以獲得更高的並行度；二是聯合規劃多臂的運動軌跡；三是直接學習多臂策略。然而這些方法各自存在短板——有的速度過慢，有的依賴特定領域的假設，還有的隨著機器人數量與任務時長的增加而擴充套件性變差。
針對上述問題，作者提出 cuArms，一種與 GPU 平行計算協同設計的衝突式規劃器（conflict-based planner）。其核心思路是高效分解搜尋空間：為每臺機器人構建可複用的多模態路線圖（multi-modal roadmap），並透過惰性搜尋（lazy search）來消解機器人之間的衝突與死鎖。所謂惰性，是指在需要時才展開和檢查潛在衝突，從而避免在搜尋早期進行大量昂貴的碰撞檢測與一致性驗證。
為了把任務分配、排程、運動與操作技能納入統一最佳化，作者在 cuArms 之上整合了一個高層排程器，由它提出候選任務骨架（skeleton），再交由 cuArms 落地為經過協調的操作計劃。這樣，系統能夠同時兼顧“做什麼、何時做、怎麼動、用何種技能”這幾個層面，而不是把它們割裂處理。
實驗結果方面，論文稱該方法建立了新的技術水準：能夠即時給出初始解，並支援在運動質量與排程質量兩個維度上的隨時改進（anytime improvement）。與基於學習的方法相比，cuArms 無需耗費數天的領域專用訓練即可投入使用。這一特性對工業部署尤為重要，因為學習型方案往往需要大量領域資料和調參成本。
需要指出的是，當前公開資訊主要來自論文摘要與後設資料，實驗的具體指標、基線對比細節以及真實工業場景的覆蓋範圍尚需查閱論文全文與專案頁面上的影片才能進一步評估。此外，論文的 8 頁篇幅也意味著部分實現細節可能較為精簡，讀者若關注可復現性，應結合全文中的方法與實驗章節閱讀。