EFLUX：基于智能大模型的弹性多机器人编队导航与自适应
多机器人在受限环境中需要变形和重构两种行为。现有方法独立建模或依赖规则，易导致死锁。EFLUX提出几何基础的LLM智能体框架，联合推理变形和重构动作，通过闭环生成与验证实现安全导航。实验表明能减少死锁和导航失败。
近日，多机器人协作导航领域迎来一项新突破。来自中国的研究团队提出了一种名为EFLUX的几何基础大语言模型（LLM）智能体框架，旨在实现弹性多机器人编队的自动导航与自适应调整。该工作已提交至arXiv预印本平台，论文编号为2607.12050，作者包括Jinyuan Zhang等六位研究者。
在狭窄或杂乱的环境中，多机器人团队需要同时调整编队的几何形状和群体拓扑结构才能顺利通过复杂障碍。这种自适应包含两种互补行为：变形——团队在保持连接的同时连续重塑几何形状；以及重构——机器人分裂成子群或合并回单一编队。现有方法通常独立建模这些行为，通过手工规则连接它们，或者缺乏明确确定何时调用每种行为的几何标准。然而，具有挑战性的环境可能要求在线改变编队形状、连接性和有效团队组成，这使得解耦或基于规则的方法容易产生次优轨迹和死锁。
EFLUX框架的核心思想是提取结构化的场景表示，并利用LLM联合推理变形动作（如缩放和剪切）和重构动作（如分裂和合并）。随后，通过闭环生成、验证和校正管线，将这些策略转化为每个机器人可执行的路径点。这一流程确保了决策的合理性和可行性，避免了传统方法中常见的死锁问题。
研究团队在仿真环境和真实硬件平台上进行了实验。结果显示，EFLUX在受限环境中实现了安全、连续且弹性的编队导航，与基线方法相比显著减少了死锁和导航失败事件，同时保持了连贯的多机器人协调。该框架的有效性证明了将几何推理与LLM智能体相结合解决复杂机器人问题的巨大潜力，为未来在仓库自动化、灾难响应等领域的实际应用铺平了道路。
论文已被归类于机器人学（cs.RO）子领域，目前在arXiv上以PDF和HTML格式提供预览。研究得到了相关资助机构的支持，并计划在后续工作中进一步优化框架的实时性能和扩展性。