結構化交互在多機器人系統中優於模型擴展：一項真實世界研究
本研究通過10個實體機器人的搬運與地圖構建任務，發現將全連接通信拓撲改為模塊化層次結構可使歸一化性能提升47分（0-100分），而將神經網絡隱藏層大小加倍最多僅提升9分。嵌套混合效應模型比較顯示拓撲結構對模型擬合的改善遠大於規模擴展。結果在獨立SMAC模擬中得到驗證，但異構基準重分析僅提供次要一致性支持。性能在隱藏單元超過1024時出現飽和（基於模擬校準外推）。這表明在所測試的系統和任務中，交互結構可主導性能提升，但更廣泛的定量泛化仍需驗證。
近日，一篇發表於arXiv的論文（編號2605.30383）探討了多機器人系統中的一個系統級設計問題：在硬件預算固定的情況下，重構機器人間的通信拓撲是否比增加單體模型規模帶來更大的性能提升？研究團隊通過一個代表性的搬運與地圖構建任務，使用10個實體機器人進行了60次實驗（每種條件5次），給出了明確的答案。
實驗設置中，機器人在兩種通信拓撲下運行：全連接網絡與模塊化層次結構。同時，對比了不同規模的神經網絡模型（通過增加隱藏層大小）。結果顯示，從全連接切換到模塊化層次結構使歸一化性能指標（0-100分）提升了47分，而將神經網絡隱藏層大小加倍最多僅帶來9分的提升。嵌套混合效應模型比較進一步證實，拓撲結構對模型擬合的改善幅度遠大於模型規模。
為驗證結果的穩健性，研究團隊在獨立的SMAC（一種多智能體協作環境）模擬中復現了相同模式。此外，對異構基準數據的再分析提供了次要的一致性支持。需要注意的是，性能在隱藏單元超過1024時出現飽和，但這一觀察基於模擬校準外推，並非直接在硬件上測得。
該研究的核心意義在於：在資源受限的實際多機器人系統中，優化交互結構可能比單純提升個體智能更具成本效益。團隊強調，雖然當前結果在特定任務和系統設置中具有説服力，但更廣泛的定量泛化仍需進一步探索。這項研究為未來分佈式機器人系統的設計提供了重要啓示，尤其是在通信與計算資源有限的應用場景中。