EFLUX：使用 Agentic LLM 进行弹性多机器人编队导航和适应

在有限或杂乱的环境中运行的多机器人团队必须调整其编队几何结构和群体拓扑，以穿越复杂的障碍。这种适应需要两种互补的行为：变形，即团队在保持连接的同时不断重塑其几何形状；以及重新配置，即机器人分裂成子组或合并回单个编队。现有的方法通常独立地对这些行为进行建模，通过手工规则将它们连接起来，或者缺乏明确的几何标准来确定何时应该调用每个行为。然而，具有挑战性的环境可能需要在线改变队形、连接性和有效的团队组成，使得解耦或基于规则的方法容易出现次优轨迹和僵局。我们提出了 EFLUX，一种基于几何的 LLM 代理框架，用于自动和弹性多机器人编队导航。 EFLUX 提取结构化场景表示，并使用 LLM 对变形操作（例如缩放和剪切）以及重新配置操作（例如分割和合并）进行联合推理。然后，这些策略通过闭环生成、验证和校正管道转化为每个机器人可执行的航路点。仿真和硬件实验表明，EFLUX 可在受限环境中实现安全、连续和弹性的编队导航，与基线相比减少死锁和导航故障，同时保持连贯的多机器人协调。