來自馬薩諸塞大學阿默斯特分校的研究團隊近日提出了一項名為Sentinel的具身協同空間推理與規劃框架，旨在解決城市尺度户外環境中分散智能體的協同導航問題。該研究發表在arXiv上（論文編號2605.26239），併發布了相關基準測試與代碼。
研究團隊首先定義了“協同空間智能”（Cooperative Spatial Intelligence），即分散的具身智能體在動態環境約束下有效協調的能力。為評估這一能力，他們設計了Sentinel Challenge基準：多個智能體必須通過自然語言通信，在一個大型城市户外環境中協商出一個既安全又方便的集合點，隨後各自導航至該點，途中需避開動態巡邏的“哨兵”（sentinels），且只能使用提供粗略空間信息的工具。
為了應對這一挑戰，研究人員提出了CoSaR（Cooperative Spatial Reasoning and Planning）框架。該框架將基礎模型（foundation models）的高層通信與規劃能力與經典空間導航算法的精度相結合。智能體能夠交換實時情景更新，推理不斷變化的空間約束，並協同重新規劃軌跡。CoSaR的核心創新在於，它利用基礎模型理解自然語言指令和生成策略，同時藉助A*等經典算法計算出精確的導航路徑，從而在高層協同與低層控制之間建立橋樑。
實驗在14個城市級場景中進行，每個場景包含3至5個智能體。結果表明，CoSaR始終能實現更快的聚集速度、更短的路徑長度以及更高的安全性。例如，在涉及複雜街區佈局和多個巡邏哨兵的場景中，CoSaR使智能體成功躲避哨兵的效率提升了40%以上，平均聚集時間縮短了35%。研究團隊指出，將動態通信與空間推理集成對於魯棒的多智能體協作至關重要，而單純依賴基礎模型或傳統導航算法都無法達到同等效果。
通過形式化這一新場景並提供可擴展的基準，該工作旨在為推進具身多智能體系統中的協同空間智能奠定基礎。相關代碼和挑戰已開源在GitHub上（https://github.com/UMass-Embodied-AGI/Sentinel）。研究團隊表示，未來計劃將Sentinel Challenge擴展到包含更多智能體和更復雜動態障礙物的場景，並探索將視覺信息集成到通信中的方法。