一种名为群体智能图记忆（Stigmergic Graph Memory, SGM）的新型记忆层，通过从近期执行模式中学习，帮助仓储机器人车队避免交通拥堵。在五种仓库布局的基准测试中，与现有最佳的多对多任务分配方法相比，SGM将任务完成率提高了20.5%至36.7%。
目录
研究者构建了什么
马里兰大学和乔治梅森大学的研究者构建了群体智能图记忆（SGM），一种轻量级记忆系统，位于多智能体仓库系统的任务分配和路径规划之间。SGM在仓库图的节点（存储位置、交叉口）和有向边（通道段）上维护衰减记忆通道。每个通道存储不同类型的最近信息——节点拥堵、等待事件、阻塞压力、成功完成、定向交通流和通行延迟。
SGM没有使用单一的“拥堵分数”，而是将这些信号保持分离，并映射到两个控制接口：端点导向和路径引导。端点导向利用节点记忆对智能体应分配到的拾取或交付位置进行排序，而路径引导则利用边记忆在重新规划时影响路径成本。这种分离设计使系统能够在智能体开始移动之前就避免问题区域。
SGM作为插件层运行在M2M多对多MAPD框架之上（Schneider等人，2026年），无需更改底层路径规划器或碰撞避免系统。研究者还构建了自适应变体ASGM，仅在拥堵证据强烈时激活记忆引导决策，以降低计算开销换取部分吞吐量。
关键结果
在五种仓库布局、三种车队规模（28、56和84个智能体，分别代表停车容量的30%、60%和90%）的配对基准测试中，SGM在所有15种地图-车队组合中均优于基础M2M方法及其SKU感知变体（M2M-wSKU）。吞吐量提升范围从20.5%到36.7%，所有结果在Holm校正的Wilcoxon符号秩检验下均具有统计显著性。
| 条件 | SGM吞吐量（完成任务数） | M2M-wSKU吞吐量 | SGM提升 |
|---|---|---|---|
| 仓库A，84个智能体 | ~7100 | ~5700 | +24.6% |
| 仓库B，84个智能体 | ~6800 | ~5400 | +25.9% |
| 迷宫X，84个智能体 | ~6500 | ~5000 | +30.0% |
| 迷宫Y，84个智能体 | ~6200 | ~4500 | +37.8% |
| 所有15种条件平均 | — | — | +20.5%至+36.7% |
组件消融实验表明，仅端点导向就实现了完整SGM吞吐量的99.3%至100.5%，证明关键洞察在于选择哪些源点和目的地进行分配，而不仅仅是规划路径。在大多数条件下，添加路径引导减少了规划器运行时间、等待时间和阻塞运动重规划，且未牺牲吞吐量。
在一项中等规模的迁移研究中（更大的仓库，200+个智能体），SGM也改进了完成任务数，表明该方法可扩展到主要基准之外。
工作原理
SGM将多对多拾取和交付问题视为两阶段决策过程。首先，当智能体空闲时，端点导向利用记忆值对所有可行的拾取和交付位置进行评分。其次，路径引导在规划期间使用有向边记忆修改路径成本。
记忆演化公式：对于每个图元素（节点或有向边）和每个记忆通道，存储的值随时间呈指数衰减。衰减常数定义旧信息消失的速度。新事件会增加通道的值。公式为：
M(t+1) = M(t) * decay + event_value
每个通道的衰减率和事件注入逻辑经过调整。例如，节点上的“阻塞压力”通道在智能体因预测的顶点冲突而停留时增加，而“成功完成”通道在智能体在该位置完成任务时增加。
端点导向：当智能体需要新目标（拾取或交付）时，SGM为每个可行端点计算综合分数。该分数是与该节点相关的记忆通道的加权和：交通强度、等待事件、阻塞压力和完成率。高等待或阻塞压力降低分数；高完成率提高分数。加权和与M2M分配目标相结合，使智能体在推进任务的同时避开热点区域。
路径引导：在路径规划期间，边记忆值计入通行成本。阻塞、延迟或拥堵高的边被惩罚。规划器（RHCR/PBS后端）仍保证无碰撞计划；记忆成本仅引导机器人选择争议较少的路线。
控制器变体：SGM同时使用记忆进行端点导向和路径引导，并在路径修复后保留排队任务。ASGM是自适应版本，当拥堵指标较低时回退到M2M-wSKU基线行为，仅在等待、积压或阻塞超过阈值时激活记忆。这节省了计算，但降低了峰值吞吐量。
对机器人技术的意义
运营二手工业机器人或仓储机器人的仓库运营商经常面临吞吐量瓶颈，其原因不是机器人速度，而是拥堵——机器人在交叉口等待、在狭窄通道中互相阻塞、或在热门拾取站排队。传统的多智能体规划采用反应式应对拥堵：在拥堵区域形成后绕行。SGM表明，多对多任务分配提供了更高杠杆的控制点：如果你一开始就不将机器人分配到拥堵通道，就永远不需要绕行。
对于部署在动态环境中的二手协作机器人，像SGM这样的记忆层可移植到人机协作场景，其中交通模式不可预测地变化。关键原则——对不同拥堵信号进行分离记忆，并在分配时使用——是领域无关的。
自适应ASGM变体尤其适用于计算资源有限的边缘部署，因为它仅在拥堵实际发生时支付记忆开销。车队运营商可以调整衰减常数以匹配其仓库交通节奏，而无需更改底层规划器或碰撞避免系统。
局限性与开放问题
SGM仅在仿真中评估，未进行物理机器人部署。现实世界中的传感器噪声、通信延迟和硬件故障可能改变记忆信号的行为。记忆通道和权重是手动设计的；论文未探索学习或自适应通道调整。此外，端点导向的优势如此显著，以至于路径引导组件可能不太关键；未来工作可能简化架构。
该研究使用了固定的仓库布局集。非平稳环境（例如季节性库存变化、可重构存储）可能降低SGM性能，如果记忆衰减率未调整。最后，SGM假设M2M多对多任务模型——它不直接适用于一对一MAPD或没有库存灵活性的任务分配。
常见问题解答
什么是多对多多智能体拾取和交付？ 在多对多MAPD中，每个任务（例如“将物品A从存储区移至出库区”）可由多个可能的拾取位置完成，并交付到多个可能的目的地，从而给调度员灵活避免拥堵的空间。
群体智能图记忆与标准拥堵避免有何不同？ 标准拥堵避免是反应式的——检测到拥堵后重新规划机器人路径。SGM是主动式的：它使用近期记忆对端点选择进行排序，使机器人被分配到不太拥堵的区域，从而预防性地避免拥堵。
SGM跟踪哪些类型的记忆信号？ SGM跟踪节点拥堵、等待、阻塞压力、任务完成、边通行次数、延迟通行和定向流的独立衰减信号。这些信号保持分离，不合并为单一拥堵分数。
SGM能否与现有仓库控制系统配合使用？ 可以。它被设计为轻量级记忆层，位于任务分配和路径规划之间，并在标准RHCR/PBS规划器之上进行评估。无需更改碰撞避免或机器人固件。
结论
SGM引入了一个简单但强大的想法：通过维护近期交通事件的衰减记忆，并利用该记忆选择将哪些任务分配给哪些端点，仓储机器人车队可以在一开始就避免产生拥堵。跨不同布局的20-36%吞吐量提升为在任何多对多仓库调度系统中添加群体智能记忆提供了有力论据。未来工作将在物理机器人上测试该方法，并使其适应变化的仓库布局。
拥堵感知任务分配能否使仓库吞吐量翻倍，还是衰减率调整将成为非平稳环境的瓶颈？