P-ARC：利用子問題獨立性實現並行多機器人運動規劃
本文提出P-ARC，一種自適應機器人協調（ARC）的並行變體，用於多機器人運動規劃（MRMP）。P-ARC針對ARC的三個主要階段（初始個體解、衝突檢測、衝突解決）提出並行方案，利用ARC對MRMP問題的分解產生的獨立性。此外，採用OR並行多啟動策略，建立混合並行策略OR-P-ARC。實驗表明，在最多128個機器人的2D移動和平面操作場景中，不同並行策略帶來顯著加速，在16核CPU上規劃時間提速近4倍。
多機器人運動規劃（Multi-Robot Motion Planning, MRMP）是機器人學中的一個核心挑戰，它要求為多個機器人在共享空間中規劃無碰撞的運動軌跡。隨著機器人數量增加，傳統的順序規劃方法往往面臨計算時間急劇增長的難題，難以滿足即時性要求。為了解決這一問題，利用多核處理器平行計算能力的演算法成為研究熱點。
自適應機器人協調（Adaptive Robot Coordination, ARC）是一種有效的MRMP方法，它將問題分解為三個主要階段：初始個體解生成、衝突檢測和衝突解決。然而，這些階段的順序執行限制了整體效率。最新研究工作P-ARC（Parallel ARC）由James D. Motes等人提出，透過引入並行策略，充分利用ARC分解所帶來的子問題獨立性，實現了高效並行處理。
P-ARC為ARC的每個階段設計了專門的並行變體。在初始個體解生成階段，多個機器人的路徑可以獨立平行計算；衝突檢測階段可同時處理多對機器人之間的碰撞檢查；衝突解決階段則能並行調整衝突路徑。此外，團隊還將OR並行多啟動策略應用於ARC和P-ARC，同時探索多個初始化解空間，進一步提升了規劃成功率和效率，形成混合並行策略OR-P-ARC。
為評估不同並行策略的效果，研究者設計了一系列2D移動機器人和平面操作機器人場景，機器人數量從少量逐步擴充套件到128臺。實驗特別關注衝突控制和工作負載在各節點間的平衡分配。結果顯示，在真實世界啟發的Panda多機械臂團隊場景中，使用16個CPU核心時，P-ARC相比順序版本的ARC實現了接近4倍的加速比。這意味著原本需要大量時間的規劃任務可以在短時間內完成，為即時線上重規劃提供了可能。
這項工作的意義不僅在於提出了一種高效並行演算法，還在於展示了透過問題分解和並行化可以顯著提升大規模機器人系統的規劃能力。未來，該方法可推廣至更多複雜場景，如倉庫自動化、叢集機器人以及多機械臂協作製造等。論文於2026年6月26日提交至arXiv，編號2606.27625，作者包括James D. Motes等三人，涉及機器人學（cs.RO）和分散式平行計算（cs.DC）兩個領域。