Co^2Gen: Collaboratively Generating Task Plans for Decentralized Multi-Robot and Human Collaboration

📄 arXiv: 2610.30671v1 📥 PDF

作者: Yi Loo, Siddhant Shrivastava, Minh Long Pham, Malika Meghjani

分类: cs.RO

发布日期: 2026-10-22

💡 一句话要点

提出Co^2Gen框架以解决多机器人与人类协作任务规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多机器人协作 视觉语言模型 去中心化训练 任务规划 人机协作

📋 核心要点

  1. 现有的VLA模型在多机器人和人类协作方面的能力尚未得到充分开发，限制了其应用范围。
  2. 本文提出的框架通过去中心化的协作规划生成多机器人协作计划，进而生成演示数据以微调VLA模型。
  3. 实验结果显示，基于我们框架生成的数据微调的VLA模型在任务性能上与人类遥控数据微调的模型相当。

📝 摘要（中文）

视觉语言行动（VLA）模型旨在作为通用机器人模型，能够在不同的实体、任务和环境中实施。然而，它们与其他机器人及人类的协作能力尚未得到充分探索。本文提出了一种框架，自动生成多机器人协作数据，以便在不需要人类遥控的情况下进行去中心化的VLA训练。该框架首先利用去中心化的协作规划方法生成可执行的多机器人协作计划，然后利用这些计划生成协作演示数据，以去中心化的方式微调VLA模型。实验表明，使用我们的方法生成的演示数据在去中心化协作任务上微调的VLA模型，其任务性能与基于人类遥控协作数据微调的模型相匹配。

🔬 方法详解

问题定义：本文旨在解决VLA模型在多机器人与人类协作任务中的应用不足，现有方法依赖于人类遥控，限制了训练的效率和可扩展性。

核心思路：提出的框架通过去中心化的协作规划生成多机器人协作计划，自动化生成演示数据，从而实现VLA模型的去中心化训练。

技术框架：整体架构包括两个主要模块：首先是去中心化的协作规划模块，生成可执行的多机器人计划；其次是基于这些计划生成协作演示数据的模块，用于微调VLA模型。

关键创新：最重要的创新在于实现了无需人类遥控的多机器人协作数据生成，显著提高了训练效率，并扩展了VLA模型的应用场景。

关键设计：在框架中，关键设计包括去中心化规划算法的选择、演示数据生成的策略，以及微调过程中使用的损失函数和网络结构设计。具体参数设置和网络架构细节在论文中进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，使用我们框架生成的演示数据微调的VLA模型在去中心化协作任务上的性能与基于人类遥控数据微调的模型相当，验证了方法的有效性和实用性。

🎯 应用场景

该研究的潜在应用领域包括智能制造、无人机编队、救援任务等多机器人协作场景。通过提高VLA模型的协作能力，能够在复杂环境中实现更高效的任务执行，具有重要的实际价值和未来影响。

📄 摘要（原文）

Visual Language Action (VLA) models are designed to be generalist robot models that can be implemented across embodiments, tasks and environments. However, their ability to collaborate with other robots and humans remains underexplored. In this work, we propose a framework to automate the generation of multi-robot collaborative data for decentralized VLA training without requiring human teleoperation. Our framework first utilizes a decentralized collaborative planning approach to generate multi-robot collaborative robot plans in the form of an executable function. We then utilize the collaborative plan to produce collaborative demonstration data to finetune VLA models in a decentralized manner. We show that our approach produces demonstration data that when used to finetune VLA models on decentralized collaboration tasks matches the task performance of VLA models finetuned on human-teleoperated collaborative data.