异构多机器人任务分配中的机器人-任务适配性
arXiv:2610.27504v1 比较了十种确定性方法与两种基于大语言模型的变体，用于异构多机器人任务分配中的机器人-任务适配性评估，方法覆盖基于规则、相似度、需求导向、模糊与语义等类型。研究使用统一的机器人与任务画像，对比各方法对候选机器人的打分、排序、可行性识别与最优机器人选择，并考察团队构成、规模、空间上下文、能力不确定性和任务表示对结果的影响。结果显示，同一场景下各方法经常给出不一致结论；通用相似度度量可能违反单侧需求满足解释下适配性应具备的性质，LLM 打分还引入随机性与语言敏感性。作者据此主张将适配性视为显式建模选择，在分配前评估其假设、鲁棒性与决策后果。
发布于 10-22 10:54来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Robot-Task Suitability in Heterogeneous Multi-Robot Task Allocation》查看原链
异构多机器人任务分配依赖于对单个机器人适合候选任务程度的估计，但适配性可以有多种截然不同的定义方式。 我们比较了十种确定性方法和两种基于大语言模型（LLM）的变体，涵盖基于规则、基于相似度、面向需求、模糊和语义等方法。 使用常见的机器人和任务画像，我们比较了这些方法如何对候选机器人打分和排序、识别可行性并选出最优机器人，同时考察这些结果如何随团队构成、规模、空间上下文、能力不确定性和任务表示而变化。
尽管在相同场景下运行，这些方法经常给出不一致的结果。 通用相似度度量可能违反在单侧需求满足解释下适配性应具备的性质，而基于LLM的打分引入了额外的随机性和语言敏感性。 这些结果表明，机器人-任务适配性应被视为一种显式的建模选择，在分配之前应考虑其假设、鲁棒性和决策层面的后果。