去中心化多机器人运动规划（Decentralized Multi-robot Motion Planning）是机器人领域的一个核心挑战：每个机器人仅依赖局部观测生成无碰撞轨迹，既不能依赖全局感知，也无法依靠可靠的通信。然而，无论是经典方法还是基于学习的方法，现有规划器大多从局部观测的静态快照出发生成轨迹，这严重限制了它们预测邻居机器人未来行为的能力。随着机器人数量增加、环境变得拥挤，这一局限性愈发凸显。
为应对这一挑战，近期研究提出了名为“模拟信息扩散”（Simulation-Informed Diffusion, SID）的分散式框架。该框架建立在约束感知扩散模型（Constraint-Aware Diffusion Models, CADM）之上。其工作原理分为两步：首先，SID利用CADM从当前观测到的邻居状态模拟出它们在未来的轨迹；然后，在模拟结果提供的安全约束下，使用同一个CADM为每个机器人规划自己的轨迹。关键之处在于，这种对邻居行为的精确模拟使得一种极简通信方案成为可能——仅当场景高度拥挤、不得不协调时，机器人之间才会交换信息，从而大幅降低通信开销。
实验环节在多种不同的环境中进行，结果显示SID在规划有效性和约束满足度上始终优于现有基线方法。更重要的是，该方法能够扩展到包含108台机器人和160个障碍物的复杂场景，证明了其出色的可扩展性。该论文由Jinhao Liang等人撰写，于2026年5月26日提交至arXiv，归属于机器人学（cs.RO）、人工智能（cs.AI）和机器学习（cs.LG）三个子领域。
这项研究的意义在于，它巧妙地将扩散模型的应用从传统的数据生成拓展到机器人之间的交互预测，为去中心化运动规划提供了一种既有效又高效的新思路。未来，这一方向可能进一步结合强化学习或在线优化，以实现更加鲁棒和智能的多机器人协同。