COMPASS架构实现千台机器人群控，泛化能力超训练规模16倍
论文AI 评分 78/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对大语言模型在多机器人任务中随团队扩大而失效的问题，研究提出COMPASS去中心化架构。该架构通过空间变换器在本地聚合多跳消息生成学习反馈令牌，实现推理空间反馈控制。实验表明，输入指令的结构化多样性可消除偏差并带来性能提升。与集中式前沿策略及纯语言通信相比，COMPASS能生成准确执行意图的凝聚编队。该架构可零样本泛化至语义模糊的未见指令，并在自然语言指挥下控制达1024个机器人，规模达训练时的16倍。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载多机协作扩展瓶颈与方案
大语言模型为机器人规划与导航引入了新范式，但在多机器人任务中，随着团队规模扩大，即使简单任务也会失败。为解决此问题，研究提出了COMPASS，一种可扩展的去中心化多机器人架构。该架构利用推理空间反馈控制来管理大规模智能体集群。反馈由空间变换器在每台机器人本地生成，其通过聚合整个集群的多跳消息，将其转化为学习到的反馈令牌。
结构化多样性与编队表现
实验发现，语言模型集群能从输入指令的结构化多样性中获得性能提升，这种多样性能够消除偏差，且该优势在不同规模下均成立。在对比测试中，相较于集中式前沿大语言模型策略以及仅使用语言通信的消融版本，COMPASS的耦合设计能够果断地产生具有凝聚力的编队，并准确按照指令意图飞行。研究还指出，推理反馈与紧凑的学习令牌组合时效果最佳。
零样本泛化与规模跨越
消融实验表明，若在语言通道中使用手工设计的反馈及原始状态，会破坏集群的凝聚力。COMPASS展现出强大的泛化能力，能够对含义模糊的未见指令进行零样本泛化。同时，其指挥集群的规模可达训练规模的16倍，在自然语言命令下最多能控制1024个机器人，实现了显著的规模跨越。
为什么值得看
突破LLM多机协作扩展瓶颈，实现零样本泛化与16倍规模跨越，对大规模机群控制极具参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。