在建筑工地、仓库物流以及灾后废墟清理等场景中，让多个机器人通过推动来协作运输物体具有广泛的应用前景。然而，当表面存在不同的倾斜角度和摩擦特性时，实现稳定的协作运输会面临独特挑战。针对这一问题，一篇发表于arXiv的论文提出了一种异步去中心化的任务与运动规划方法，专门用于在平坦、上坡和下坡地形上运输质量各异的矩形箱子。
该研究由Aditya Bhatt等四位作者完成，论文标题为《Multi-Robot Box Transport over Different Surfaces with Decentralized Role-based Proportional Control》，于2026年5月26日提交至arXiv的机器人学板块（cs.RO）。
传统的多机器人协作往往依赖集中式规划或频繁的通信与同步，这不仅增加了系统复杂度，还容易因单点故障导致整体任务失败。而这项研究提出的方法名为R2P2，即“Roles with Rules and Proportional-control Primitive”（带规则与比例控制原语的角色分配）。其核心思想是将任务规划与运动控制去中心化：每个机器人根据自身和箱子的位置、朝向等信息，独立决定自己的角色和控制策略。
R2P2首先依据操作模式——是旋转箱子还是平移箱子——通过规则为机器人分配角色，例如“推”、“支撑”和“防滑”。随后，机器人根据所分配的角色执行基于规则的控制或比例速度控制。这种设计避免了对全局通信和共识机制的依赖，从而缓解了通信瓶颈、同步难题以及单点故障风险。
为了验证方法的有效性，研究团队在基于NVIDIA IsaacSim构建的仿真环境中部署了六机器人团队，测试了不同表面摩擦、倾斜角度和箱子质量的场景。结果表明，R2P2展现出良好的泛化能力，并且相比标准的虚拟领导者-跟随者方法取得了更高的任务成功率。此外，团队还开展了实物实验，将算法部署在四个TurtleBot机器人上，成功协作搬运了一个1.2公斤的箱子。
这项研究为多机器人协作运输提供了一种轻量级、鲁棒性强的去中心化方案，尤其适用于通信受限或环境动态变化的实际应用场景。未来，该方法有望进一步扩展到更复杂的物体形状和更大规模的机器人团队中。