摘要：在焊接、装配、喷漆等工业场景中，多台机器人需在障碍物密集的共享工作空间内协同完成大量任务，以此提升生产效率。但这一过程面临诸多挑战：其一，运动规划需在高维空间中寻找无碰撞路径，传统基于采样的方法（如快速探索随机树 RRT）的耗时会随机器人数量及障碍物复杂程度的

在焊接、装配、喷漆等工业场景中，多台机器人需在障碍物密集的共享工作空间内协同完成大量任务，以此提升生产效率。但这一过程面临诸多挑战：其一，运动规划需在高维空间中寻找无碰撞路径，传统基于采样的方法（如快速探索随机树 RRT）的耗时会随机器人数量及障碍物复杂程度的增加呈指数级上升；其二，任务调度问题类似多项式空间完全问题，任务间的移动成本会因其他机器人的轨迹而动态变化，难以直接借助经典的旅行商问题算法解决；其三，任务分配需兼顾机器人负载均衡，其边际成本与其他任务存在紧密关联，现有类似背包问题的算法难以适配。

目前，工业界仍依赖人工设计轨迹，一条复杂轨迹的调试可能耗时数百小时，且一旦环境或任务发生细微变化，就需重新规划，这严重制约了生产效率。为此，谷歌 DeepMind Robotics、Intrinsic 与伦敦大学学院的研究团队提出了 “RoboBallet” 框架，通过将图神经网络（GNN）与强化学习（RL）相结合，实现了任务分配、调度与运动规划的自动化联合优化，为高密度多机器人协同提供了新方案。

该方法的核心是一个经强化学习训练的图神经网络，其训练基于数百万个合成场景。在这一框架中，机器人、任务和障碍物在图中被表示为节点，边则用于定义它们之间的关系。

研究人员表示，该模型通过反复试验学习轨迹规划，最终形成了可应用于全新、未见过的布局的通用策略。Intrinsic 方面称，模型训练完成后，仅需 CAD 文件和高级任务描述即可生成运动计划，无需手动编码、示教器操作或微调。

实验室评估显示，该模型能为多达八台机器人生成运动规划，且通常可在几秒内得出接近最优的解决方案。据Intrinsic介绍，与传统方法相比，这种基于AI的方法在轨迹质量上提升了约25%，同时展现出强大的可扩展性。例如，当机器人数量从四台增加到八台时，任务执行时间平均减少60%。Intrinsic指出，这表明效率可随系统复杂性的提升而提高，而非降低。

该系统无需详细的分步说明就能处理 “大量任务”，这一特点颇为引人注目。开发人员表示，给定一组目标，模型会自动确定操作顺序及相应的无碰撞轨迹。谷歌 DeepMind 与 Intrinsic 称，由于其对工作单元中实体间关系的编码方式，该系统能够适应新场景，无需重新训练或人工干预。

RoboBallet团队表示，AI驱动的规划可缩短编程时间、提高灵活性，并能更快地适应产品设计的变化或意外中断。未来研究团队将这种方法与AI赋能的边缘感知相结合，可使机器人根据动态变化实时重新规划，从而进一步减少停机时间。

► 关于Intrinsic：

Intrinsic是一家于2021年成立的机器人软件和AI公司，由谷歌母公司Alphabet的创新实验室“X登月工厂”孵化而来，总部位于加利福尼亚州山景城，在德国慕尼黑等地也设有办公室或实验室。

公司致力于为工业机器人开发软件，目标是让工业机器人更加易用和可扩展。2022年，Intrinsic收购了开源机器人公司(OSRC)。OSRC是开源机器人基金会(OSF)的营利性分支机构，而开源机器人基金会是机器人操作系统 (ROS) 的幕后推手。

Intrinsic公司的CEO及创始人是Wendy Tan-White，2019年1月，她入职Alphabet旗下 “登月工厂” X实验室，出任副总裁。2021年，她开始掌舵Alphabet旗下的Intrinsic公司，出任首席执行官，致力于借 AI 革新工业机器人技术。

论文地址：

Intrinsic公司：

来源：具身智能大讲堂