結構化互動在多機器人系統中優於模型擴充套件：一項真實世界研究
本研究透過10個實體機器人的搬運與地圖構建任務，發現將全連線通訊拓撲改為模組化層次結構可使歸一化效能提升47分（0-100分），而將神經網路隱藏層大小加倍最多僅提升9分。巢狀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充套件。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援。效能在隱藏單元超過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，互動結構可主導效能提升，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：在硬體預算固定的情況下，重構機器人間的通訊拓撲是否比增加單體模型規模帶來更大的效能提升？研究團隊透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。
實驗設定中，機器人在兩種通訊拓撲下執行：全連線網路與模組化層次結構。同時，對比了不同規模的神經網路模型（透過增加隱藏層大小）。結果顯示，從全連線切換到模組化層次結構使歸一化效能指標（0-100分）提升了47分，而將神經網路隱藏層大小加倍最多僅帶來9分的提升。巢狀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（一種多智慧體協作環境）模擬中復現了相同模式。此外，對異構基準資料的再分析提供了次要的一致性支援。需要注意的是，效能在隱藏單元超過1024時出現飽和，但這一觀察基於模擬校準外推，並非直接在硬體上測得。
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，最佳化互動結構可能比單純提升個體智慧更具成本效益。團隊強調，雖然當前結果在特定任務和系統設定中具有說服力，但更廣泛的定量泛化仍需進一步探索。這項研究為未來分散式機器人系統的設計提供了重要啟示，尤其是在通訊與計算資源有限的應用場景中。