多无人机载荷运输在建筑、物流和灾难响应等领域具有广阔前景，但无人机、缆绳与载荷之间的复杂耦合动力学带来了巨大挑战。现有方法在动态非结构化环境中常受限于安全性和可扩展性。近期，一项发表于IEEE机器人与自动化快报（2026年早期访问）的研究提出了一种基于学习的框架，旨在实现安全且可扩展的多无人机协同载荷运输。该工作由Jaeyoun Choi等五位作者完成，通过arXiv预印本（编号2607.20665）公开。
该框架的核心创新在于引入一种最小化的二维抽象模型。该模型巧妙地在保留无人机与载荷之间任务相关的耦合特性的同时，大幅降低了计算复杂度，使得大规模学习成为可能。具体来说，模型将三维空间中的复杂动力学简化为平面内的关键相互作用，从而在保证协调与安全所需信息的前提下，显著减少了状态空间维度。
研究者采用域随机化技术，随机改变团队规模（例如无人机的数量）以及物理参数（如缆绳长度、载荷质量等），训练了一种完全分布式的策略。他们提出了离散图控制屏障函数近端策略优化（DGPPO）算法，该算法结合了控制屏障函数的安全性保障与强化学习的优化能力。控制屏障函数确保无人机在运输过程中始终保持安全距离，避免碰撞；而近端策略优化则通过高效的策略梯度更新，使智能体在模拟环境中学会协作。通过域随机化，策略在训练中暴露于各种不同的场景，从而具备了强大的泛化能力，能够直接零样本迁移到真实机器人上，无需任何微调。
广泛的实际评估验证了该方法的有效性。研究者进行了多组实验，包括不同规模的无人机团队（从两架到多架）以及不同的任务场景（如直线运输、转弯等）。结果表明，单一学习策略能够在所有这些情况下成功完成载荷运输任务，且性能稳定。更为引人注目的是，在多组硬件实验中，当其他无人机团队作为移动障碍物出现在环境中时，同一策略仍然能够安全运行，展现出对动态环境的卓越适应能力。这些结果凸显了该框架在实现高效、安全且可扩展的多无人机载荷运输方面的巨大潜力，并展示了其对复杂现实条件的强大泛化能力。论文的发表标志着在自主无人机协同控制领域迈出了重要一步，为未来在建筑工地、仓库和灾区等场景中的实际应用奠定了基础。