多机器人运动规划（Multi-Robot Motion Planning, MRMP）是机器人学中的一个核心挑战，它要求为多个机器人在共享空间中规划无碰撞的运动轨迹。随着机器人数量增加，传统的顺序规划方法往往面临计算时间急剧增长的难题，难以满足实时性要求。为了解决这一问题，利用多核处理器并行计算能力的算法成为研究热点。
自适应机器人协调（Adaptive Robot Coordination, ARC）是一种有效的MRMP方法，它将问题分解为三个主要阶段：初始个体解生成、冲突检测和冲突解决。然而，这些阶段的顺序执行限制了整体效率。最新研究工作P-ARC（Parallel ARC）由James D. Motes等人提出，通过引入并行策略，充分利用ARC分解所带来的子问题独立性，实现了高效并行处理。
P-ARC为ARC的每个阶段设计了专门的并行变体。在初始个体解生成阶段，多个机器人的路径可以独立并行计算；冲突检测阶段可同时处理多对机器人之间的碰撞检查；冲突解决阶段则能并行调整冲突路径。此外，团队还将OR并行多启动策略应用于ARC和P-ARC，同时探索多个初始化解空间，进一步提升了规划成功率和效率，形成混合并行策略OR-P-ARC。
为评估不同并行策略的效果，研究者设计了一系列2D移动机器人和平面操作机器人场景，机器人数量从少量逐步扩展到128台。实验特别关注冲突控制和工作负载在各节点间的平衡分配。结果显示，在真实世界启发的Panda多机械臂团队场景中，使用16个CPU核心时，P-ARC相比顺序版本的ARC实现了接近4倍的加速比。这意味着原本需要大量时间的规划任务可以在短时间内完成，为实时在线重规划提供了可能。
这项工作的意义不仅在于提出了一种高效并行算法，还在于展示了通过问题分解和并行化可以显著提升大规模机器人系统的规划能力。未来，该方法可推广至更多复杂场景，如仓库自动化、集群机器人以及多机械臂协作制造等。论文于2026年6月26日提交至arXiv，编号2606.27625，作者包括James D. Motes等三人，涉及机器人学（cs.RO）和分布式并行计算（cs.DC）两个领域。