CoLF：面向视觉语言引导的多机器人协作运输的一致性领袖-跟随策略学习
机器人学
2026-02-10 v1
摘要
本研究针对视觉语言引导的多机器人协作运输问题，每个机器人都依据 onboard 摄像头观察来 grounding 自然语言指令。在这种去中心化设置下，感知误差是一个关键挑战，由于视角差异和语言模糊性可能导致解释不一致并影响协作运输。为缓解此问题，我们采用依赖式领袖-跟随设计，其中一台机器人作为领袖，另一台作为跟随。尽管这种领袖-跟随结构看似直接，但使用独立且对称的代理进行学习往往会产生对称或不稳定的行为，除非显式地引入归纳偏置。为解决此挑战，我们提出Consistent Leader-Follower（CoLF），一个用于稳定领袖-跟随角色区分的多智能体强化学习（MARL）框架。CoLF包含两个关键组件：（1）一种导致领袖-跟随角色区分的非对称策略设计；（2）一种基于相互信息的训练目标，通过最大化变分下界来鼓励跟随者从其局部观察预测领袖的动作。在CTDE（集中训练、去中心化执行）框架下联合优化领袖和跟随策略，以平衡任务执行和一致的协作行为。我们在仿真和实际机器人实验中验证了CoLF，使用两台四足机器人。演示视频可在https://sites.google.com/view/colf/查看。
引用
@article{arxiv.2602.07776,
title = {CoLF: Learning Consistent Leader-Follower Policies for Vision-Language-Guided Multi-Robot Cooperative Transport},
author = {Joachim Yann Despature and Kazuki Shibata and Takamitsu Matsubara},
journal= {arXiv preprint arXiv:2602.07776},
year = {2026}
}
备注
9 pages, 5 figures