EFLUX：基於智慧大模型的彈性多機器人編隊導航與自適應

近日，多機器人協作導航領域迎來一項新突破。來自中國的研究團隊提出了一種名為EFLUX的幾何基礎大語言模型（LLM）智慧體框架，旨在實現彈性多機器人編隊的自動導航與自適應調整。該工作已提交至arXiv預印本平臺，論文編號為2607.12050，作者包括Jinyuan Zhang等六位研究者。

在狹窄或雜亂的環境中，多機器人團隊需要同時調整編隊的幾何形狀和群體拓撲結構才能順利透過複雜障礙。這種自適應包含兩種互補行為：變形——團隊在保持連線的同時連續重塑幾何形狀；以及重構——機器人分裂成子群或合併回單一編隊。現有方法通常獨立建模這些行為，透過手工規則連線它們，或者缺乏明確確定何時呼叫每種行為的幾何標準。然而，具有挑戰性的環境可能要求線上改變編隊形狀、連線性和有效團隊組成，這使得解耦或基於規則的方法容易產生次優軌跡和死鎖。

EFLUX框架的核心思想是提取結構化的場景表示，並利用LLM聯合推理變形動作（如縮放和剪下）和重構動作（如分裂和合並）。隨後，透過閉環生成、驗證和校正管線，將這些策略轉化為每個機器人可執行的路徑點。這一流程確保了決策的合理性和可行性，避免了傳統方法中常見的死鎖問題。

研究團隊在模擬環境和真實硬體平臺上進行了實驗。結果顯示，EFLUX在受限環境中實現了安全、連續且彈性的編隊導航，與基線方法相比顯著減少了死鎖和導航失敗事件，同時保持了連貫的多機器人協調。該框架的有效性證明了將幾何推理與LLM智慧體相結合解決複雜機器人問題的巨大潛力，為未來在倉庫自動化、災難響應等領域的實際應用鋪平了道路。

論文已被歸類於機器人學（cs.RO）子領域，目前在arXiv上以PDF和HTML格式提供預覽。研究得到了相關資助機構的支援，並計劃在後續工作中進一步最佳化框架的即時效能和擴充套件性。