结构化交互在多机器人系统中优于模型扩展：一项真实世界研究
本研究通过10个实体机器人的搬运与地图构建任务，发现将全连接通信拓扑改为模块化层次结构可使归一化性能提升47分（0-100分），而将神经网络隐藏层大小加倍最多仅提升9分。嵌套混合效应模型比较显示拓扑结构对模型拟合的改善远大于规模扩展。结果在独立SMAC模拟中得到验证，但异构基准重分析仅提供次要一致性支持。性能在隐藏单元超过1024时出现饱和（基于模拟校准外推）。这表明在所测试的系统和任务中，交互结构可主导性能提升，但更广泛的定量泛化仍需验证。
近日，一篇发表于arXiv的论文（编号2605.30383）探讨了多机器人系统中的一个系统级设计问题：在硬件预算固定的情况下，重构机器人间的通信拓扑是否比增加单体模型规模带来更大的性能提升？研究团队通过一个代表性的搬运与地图构建任务，使用10个实体机器人进行了60次实验（每种条件5次），给出了明确的答案。
实验设置中，机器人在两种通信拓扑下运行：全连接网络与模块化层次结构。同时，对比了不同规模的神经网络模型（通过增加隐藏层大小）。结果显示，从全连接切换到模块化层次结构使归一化性能指标（0-100分）提升了47分，而将神经网络隐藏层大小加倍最多仅带来9分的提升。嵌套混合效应模型比较进一步证实，拓扑结构对模型拟合的改善幅度远大于模型规模。
为验证结果的稳健性，研究团队在独立的SMAC（一种多智能体协作环境）模拟中复现了相同模式。此外，对异构基准数据的再分析提供了次要的一致性支持。需要注意的是，性能在隐藏单元超过1024时出现饱和，但这一观察基于模拟校准外推，并非直接在硬件上测得。
该研究的核心意义在于：在资源受限的实际多机器人系统中，优化交互结构可能比单纯提升个体智能更具成本效益。团队强调，虽然当前结果在特定任务和系统设置中具有说服力，但更广泛的定量泛化仍需进一步探索。这项研究为未来分布式机器人系统的设计提供了重要启示，尤其是在通信与计算资源有限的应用场景中。