SCALE-COMM（全称 Shared, Contrastively-Aligned Latent Embeddings for COMMunication，即“面向通信的共享、对比对齐潜在嵌入”）是一篇于2026年5月26日提交到 arXiv 的新论文，编号为 arXiv:2605.27532v1，归类于机器人学（cs.RO）。该论文由 Mahmoud Abouelyazid 与另一位作者共同完成，并注明其成果已被 IEEE IV 2026 收录，摘要页显示的提交时间为2026年5月26日 18:06:19 UTC，全文文件约 5,898 KB，DOI 为 10.48550/arXiv.2605.27532，由 DataCite 发放（尚待注册）。
论文关注的是多智能体强化学习（MARL）中的“涌现通信”问题。在这一设定中，观测能力受限的自主移动机器人（AMR）需要在去中心化的条件下协同工作，而让智能体之间通过学到的消息进行交流，是提升整体协调能力的关键手段。然而，现有方法普遍面临三类困难：其一，通信协议容易不稳定，学到的消息含义会随训练推进而漂移；其二，消息语义缺乏与真实任务环境的“接地”（grounding），导致消息虽然存在却难以承载可靠信息；其三，通信学习与策略优化相互干扰，二者在联合训练中彼此拉扯，最终使协调表现随时间退化。
针对这些问题，作者提出了 SCALE-COMM 框架。其核心思路是把通信学习从策略优化中解耦出来，采用自监督方式训练低维的潜在消息表示。这些消息被设计用来捕捉与任务相关的规划信息与交通信息，从而成为紧凑、稳定且与策略相关的通信表示。为了进一步约束表示质量，方法还强制要求不同智能体之间以及不同时间步之间的表示保持一致性，这正是名称中“共享”与“对比对齐”所对应的含义。通过这种方式，通信空间不再随策略更新而剧烈震荡，而是形成一个相对稳定的语义结构。
在实验方面，作者在标准的 MARL 基准任务以及一个贴近现实的仓库协调任务上进行了验证。结果显示，SCALE-COMM 在表示质量和任务表现两方面都稳定优于现有的通信框架。更重要的是，所学到的通信空间在策略微调过程中展现出更好的稳定性、更高的样本效率以及更高的吞吐量。论文据此认为，以表示学习为驱动的通信方式，对于可扩展的多智能体协调具有实际效果。
从研究定位看，这项工作属于 IEEE IV 2026 的范畴，面向机器人学与多智能体系统交叉领域，强调通信表示本身的质量而非仅仅依赖端到端联合训练的涌现行为。其贡献包括：将通信学习与策略优化解耦的自监督训练方式、低维且跨智能体与时间保持一致的潜在消息、以及在标准基准与仓库协调场景上的系统性对比结果。
需要说明的是，当前可获取的文本主要来自 arXiv 摘要页，包含论文标题、作者、提交时间、分类、会议信息与摘要正文，并未提供完整的实验细节、具体基准名称、超参数设置或消融分析。因此，上述结论均以作者摘要中的陈述为依据，具体数值与实现细节仍需查阅论文全文。论文提供了 PDF、实验性 HTML 以及 TeX 源码等多种获取方式。