Akule：稀疏交互扩散的多机器人运动规划框架

Manav Vora 等研究者提出多机器人运动规划框架 Akule，在冻结的单机器人先验上增加三个学习模块：可复用的成对修正模型 R_phi、决定评估哪些修正的上下文选择器 U_psi，以及按上下文相关符号权重组合效果的合成器 G_omega。 研究者称，在多个多机器人运动规划基准上，Akule 取得有竞争力的规划成功率，完整规划器提速最高达 25 倍，可零样本迁移到不同机器人数量，并成功规划最多 256 个机器人的场景；消融实验显示，学习式选择与组合相比启发式选择和均匀求和，减少了修复前冲突与后续修复工作量。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。