D-VLC: Decentralized Vision-Language Collaboration for Heterogeneous Embodied Multi-Robot Systems in Unknown Environments

想象一下这样一个世界：一群机器人被丢进了一个它们从未见过的、凌乱的新房子里。它们的人类老板给出了一个模糊且棘手的指令，比如：“去找那个旧时钟和车库，但要小心！”在过去，让不同类型的机器人团队协作完成这类任务，就像是在指挥一个每个乐手都说着不同语言、拿着不同乐谱的管弦乐队。它们需要一个严格的、预先写好的剧本（即“基于规则”的计划）来告诉它们每一步该做什么，这意味着它们无法应对突发状况或新的指令。

为了解决这个问题，科学家们开始为机器人使用“大脑袋”。首先，他们为机器人提供了大语言模型（LLMs），这就像是超级聪明的文本阅读器，能够理解复杂的句子并将宏大的任务分解成较小的步骤。接着，他们又加入了视觉-语言模型（VLMs），这些模型就像是拥有了眼睛的文本阅读器。这些模型可以观察图像，理解它们看到了什么（比如“那是一扇门”或“那是红色的杯子”），并将看到的画面与听到的文字联系起来。研究人员提出的核心问题是：我们能否给不同类型的机器人这些“眼睛和大脑”，让它们能够在没有预先写好的地图或中央指挥官指示每一步动作的情况下，自行摸索并解决问题？

这正是论文 D-VLC（去中心化视觉-语言协作）所探讨的内容。研究人员构建了一个系统，让一组不同的机器人——具体包括两架飞行无人机和一台带有机械臂的地面机器人——在未知环境中协同工作。通过使用这些智能 AI 模型，它们不再依赖一个中央计算机来做出所有决策（因为中央决策可能会变得缓慢且混乱），而是每个机器人都能独立思考，仅分享最重要的信息，并在需要时帮助队友。

这种“魔法”是如何发生的呢？想象一下，机器人是一群在黑暗洞穴中探险的探险家。它们不会向彼此大声诉说自己的完整经历，而是互相传递一份关于它们目前所见景象的微型简化草图（即“小地图”）。如果一架飞行无人机看到了一扇它打不开的门，它不会只是在那里卡住，而是会询问地面机器人：“嘿，你能打开这扇门吗？”地面机器人会回答：“没问题，”然后执行操作。随后，飞行无人机会迅速飞过，寻找下一个线索。它们无需等待集体会议，而是通过这种异步的方式不断移动、思考并互相协作。

论文表明，这种方法在模拟实验中表现得非常出色。在针对灾后废墟、医院和家庭等复杂场景的测试中，无论使用哪种特定的“大脑袋”AI 模型，机器人团队成功找到目标的成功率都超过了 70%。更棒的是，它们完成任务的速度比那些仅仅盲目向最近的空旷空间移动的机器人团队（即“几何贪婪”法）要快得多。事实上，最智能的设置比前者快了 55.8%。

研究人员发现，这种方法之所以出色，是因为它不需要针对每一个新机器人或每一个新房间进行重新训练。机器人可以理解指令，观察周围环境，并根据自身能力判断谁该做什么。虽然这目前是在计算机模拟中进行的测试，尚未在现实世界的真实机器人上进行实验，但结果表明，赋予机器人这种去中心化的、协作式的“常识”，可能是让它们在无需人类步步微观管理的情况下，共同应对复杂现实工作的关键。