Controlling Collectives of AI Agents in Reasoning Space with Spatial Transformers
作者: Frederic Vatnsdal, Roshan Gopal, Romina Garcia Camargo, Vijay Kumar, Alejandro Ribeiro
分类: cs.RO, cs.AI
发布日期: 2026-09-23
💡 一句话要点
提出COMPASS以解决多机器人协作中的控制问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多机器人系统 去中心化控制 空间变换器 反馈机制 大型语言模型 协作任务 零-shot学习 群体智能
📋 核心要点
- 现有的大型语言模型在多机器人任务中表现不佳，尤其是随着团队规模的增加，控制效果显著下降。
- COMPASS是一种去中心化的多机器人控制架构，通过空间变换器生成反馈，聚合信息以提高协作效率。
- 实验结果显示，COMPASS在指令执行上表现优异，能够在未见指令下实现零-shot泛化，支持多达1024个机器人协同工作。
📝 摘要（中文）
大型语言模型（LLMs）为机器人规划和导航引入了新的范式，但在多机器人任务中，随着团队规模的增加，它们的表现显著下降。本文提出了COMPASS，一种可扩展的去中心化多机器人架构，通过推理空间反馈控制来管理大量自主机器人。每个机器人通过空间变换器本地生成反馈，聚合整个队伍的多跳信息为学习的反馈令牌。实验表明，语言模型集体在输入命令的结构化多样性方面表现出性能提升，能够消除偏差，并且这一优势在不同规模下均能保持。与集中式前沿LLM策略和仅语言通信的消融实验相比，COMPASS的耦合设计显著产生了连贯的群体飞行形态，准确执行指令意图。
🔬 方法详解
问题定义：本文旨在解决大型语言模型在多机器人协作任务中的控制不足，尤其是在团队规模增加时的表现下降问题。现有方法往往依赖中心化策略，导致效率低下和协调性差。
核心思路：COMPASS通过去中心化的反馈控制机制，利用空间变换器在每个机器人本地生成反馈信息，从而实现高效的多机器人协作。该设计旨在增强机器人之间的信息共享和协调能力。
技术框架：COMPASS的整体架构包括多个模块：首先，机器人通过空间变换器接收和处理来自其他机器人的多跳信息；其次，生成的反馈令牌用于指导机器人的行为；最后，机器人根据反馈令牌执行指令，实现协同飞行。
关键创新：COMPASS的主要创新在于其去中心化的设计和空间变换器的应用，使得每个机器人能够独立生成反馈并进行信息聚合。这与传统的集中式控制方法形成鲜明对比，显著提高了系统的灵活性和扩展性。
关键设计：在设计中，COMPASS采用了紧凑的学习令牌结构，以优化反馈信息的传递效率。同时，实验中还表明，手工设计的反馈与原始状态结合会导致协调性下降，因此强调了学习反馈的重要性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，COMPASS在多达1024个机器人的协作任务中，能够有效执行自然语言指令，且在与集中式前沿LLM策略的对比中，表现出显著的性能提升，尤其是在群体飞行形态的连贯性和准确性方面。该系统在处理未见指令时也展现出良好的零-shot泛化能力。
🎯 应用场景
COMPASS的研究成果在多个领域具有广泛的应用潜力，包括无人机编队、自动驾驶车队和智能物流系统等。通过提升多机器人系统的协作能力，该技术能够在复杂环境中实现高效的任务执行，推动智能机器人在实际应用中的发展与普及。
📄 摘要（原文）
Large Language Models (LLMs) introduce an exciting new paradigm for planning and navigation in robotics, but fail on even simple multi-robot tasks as team sizes grow. We propose COMPASS, a scalable, decentralized multi-robot architecture for controlling large collectives of agentic robots with reasoning space feedback control. Feedback is generated locally on each robot by a spatial transformer which aggregates multi-hop messages across the fleet into a learned feedback token. Our experiments find that collectives of language models demonstrate performance gains from structured diversity of the input command, which can cancel biases; an advantage that is held across scale. Compared against a centralized frontier LLM policy and a language-only communication ablation, we find that the coupled design of COMPASS decisively produces cohesive flocking formations that accurately fly the commanded intent. We show that reasoning feedback works best when composed with a compact learned token. Our ablations show that hand engineered feedback with raw state appearing in the language channel obliterates cohesion. COMPASS generalizes zero-shot to unseen instructions of ambiguous meaning while commanding flocks up to 16 times its training scale, flying up to 1024 robots under natural language commands.