Akule：稀疏交互扩散的多机器人运动规划

Manav Vora、Gokul Puthumanaillam、Aditya Penumarti、Jane Shin、Melkior Ornik 在 arXiv 发布论文 Akule（arXiv:2610.14248），提出一种稀疏交互扩散框架，用于大规模多机器人运动规划，避免昂贵的联合计算。 方法在冻结的单机器人轨迹先验上加入三个学习模块：可复用的成对修正模型 R_φ、决定评估哪些交互的上下文选择器 U_ψ，以及以有符号权重合并修正的组合器 G_ω；结果交由下游搜索规划器验证和修复。 作者称，Akule 取得有竞争力的规划成功率，相对完整规划器加速最高 25 倍，支持零样本群体迁移，最多可在 256 个机器人上成功规划。

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。