多智能体机器人系统的规划与控制

多智能体系统要真正跑起来，难点往往不在单个智能体的算法本身，而在多个体之间、以及它们与人之间的协调。这份加州大学伯克利分校 EECS 的博士论文把问题收窄成一个具体提问：在联网与自动驾驶的语境下，规划与控制框架要怎么改，才能让多智能体系统更可靠、更高效、也更安全。作者 Fangyu Wu，导师为 Alexandre Bayen，2024 年夏季提交。此刻值得翻的原因在于，自动驾驶与工业自动化正把多智能体从仿真环境推到有物理约束、有人在场的现场，而论文处理的恰是这类落地时最先撞上的问题。

论文没有笼统地谈 MAS，而是按智能体之间的耦合方式分成三种构型来讨论：顺序串联（sequentially chained）、部分网状（partially meshed）与集中控制（centrally controlled）。方法上，它把车辆自动化、优化与机器学习三条线索并到一起，用来改造既有的规划与控制框架；应用面覆盖自动跟车、去中心化避碰和可扩展的多智能体规划。论证方式不是纯理论推导，而是仿真加实体实验，并且专门讨论了 MAS 的硬件与实验设计。换句话说，这是一份从建模到落地都留了痕迹的工作，而不只是给出一组收敛性证明。

从摘要交代的贡献看，三条主线正好对应三种构型。针对顺序串联的 MAS，论文提出新算法来抑制误差沿链条传播，并分别在有无非局部测量（nonlocal measurements）两种条件下给出处理方式——这一点值得留意，因为能否拿到远处邻居的信息，往往决定算法在真实车队里能不能用。针对部分网状 MAS，作者给出的是去中心化的冲突消解方法。针对集中控制的 MAS，则是可扩展的调度技术。

论文点名要对付的几类具体故障与瓶颈，构成它的另一半价值：走走停停的交通波（stop-and-go waves）、非结构化环境中的避碰、与网络拓扑无关的可扩展多智能体规划，以及如何把学习稳定而高效地嵌进控制框架。这意味着它并不把机器学习当作替代控制器的黑箱，而是要求学习模块在既有控制结构里可控地发挥作用。硬件事务与实验设计被单列为一类挑战，也说明作者认为多智能体的许多结论最终要在真实平台上被检验。

把这些拼起来看，其实践含义是：多智能体系统的性能瓶颈，很多时候不在单体的感知或控制精度，而在耦合结构与信息可得性上——链条越长，误差传播越值得优先处理；网状结构里，去中心化的冲突消解比集中裁决更容易扩展；集中调度则要先把可扩展性解决掉。对做车队控制、自动驾驶协同或工业多机调度的人来说，这套「按构型选方法」的划分方式本身就有参考价值，它提示先判断系统属于哪一类，再谈算法选型。

这份资料适合已经在做多智能体规划与控制、想找一个系统性框架来对照自身工作的读者，尤其是关心自动驾驶协同与实验验证的人；读完能拿走的，是三种耦合构型的分类、每一类对应的误差传播抑制、冲突消解与调度思路，以及一份把学习并入控制时该注意什么的清单。边界也需要说明：手头材料只到摘要与前置页的层面，具体的算法形式、实验规模与量化结果并未展开，因此上面的判断都是对研究框架的解读，而非对实验数据的复核；若要引用具体性能结论，仍需回到论文正文。

On Planning and Control for Multi-Agent Robotic Systems Fangyu Wu Electrical Engineering and Computer Sciences University of California, Berkeley Technical Report No. UCB/EECS-2024-239 http://www2.eecs.berkeley.edu/Pubs/TechRpts/2024/EECS-2024-239.html August 2, 2024 Copyright © 2026, by the author(s). All rights reserved. Permission to make digital or hard copies of all or part of this work for personal or classroom use is granted without fee provided that copies are not made or distributed for profit or commercial advantage and that copies bear this notice and the full citation on the first page. To copy otherwise, to republish, to post on servers or to redistribute to lists, requires prior specific permission. Acknowledgement I am thankful to my committee members, Professor Alexandre Bayen, Professor Trevor Darrell, Professor Maria Laura Delle Monache, and Professor Yi Ma.