【《Science Robotics》, 2025年9月3日】 Science Robotics刊登了来自Google DeepMind的RoboBallet多机器人协作规划系统的研究论文 《RoboBallet: Planning for multirobot reaching with graph neural networks and reinforcement learning》。该研究提出了一种名为RoboBallet的新型框架，它结合了图神经网络（GNN）和强化学习（RL），旨在自动化地解决多机器人的任务分配、调度和运动规划问题。

RoboBallet的核心创新在于其场景的图表示和基于GNN的策略网络，它将整个协同场景抽象为“动态图”，节点（Nodes）表示每个机器人个体，其特征包含位置、速度、目标状态等；边（Edges）表示机器人之间的交互关系，通常根据空间邻近性定义。通过GNN能够高效处理这种结构化信息，使得模型具备极强的泛化能力，能够轻松应对在训练中从未见过的障碍物布局、机器人位置和任务分布。在强化学习框架设计方面，RoboBallet采微调TD3（Twin-Delayed Deep Deterministic Policy Gradient）算法来训练策略网络，使模型能够生成多机械臂轨迹，同时解决任务分配、调度和运动规划等子问题。在计算效率方面，RoboBallet表现更为突出，可用于实时重新规划、动态响应环境变化等需要快速决策的场景。

（南阳理工学院电子信息学科研究院马聪聪编译）