导读

多机器人系统的开发通常涉及任务建模、算法设计、代码实现、仿真调试和实体部署。任务变化意味着重复开发，机器人数量增加又会放大配置与维护成本。GenSwarm 尝试将这一流程自动化：由大语言模型把自然语言任务转化为可执行代码策略，并完成仿真验证与实体部署。

Wenkang Ji 等 | npj Robotics, 2026, Volume 4, Article 5 | DOI: 10.1038/s44182-025-00065-w

一、研究思路：从任务描述到群体执行

GenSwarm 采用代码策略路线，而非让语言模型直接在线控制机器人。系统由任务分析、代码生成、部署与改进三部分组成。

任务分析阶段从用户指令中提取约束，形成约束池，并建立技能库。技能分为全局技能和局部技能：全局技能处理目标分配等群体协调，局部技能由机器人依据周边信息独立执行。

代码生成阶段构建技能图，明确技能之间的层级依赖及约束关系，按先低层、后高层的顺序生成函数。每项技能依次经历函数定义、主体生成、约束审查、静态代码检查和错误修复，降低模块间依赖与代码错误传播。

部署与改进阶段先在仿真环境运行策略，再由视觉语言模型分析执行视频并反馈问题；用户也可通过自然语言提出修改意见。系统据此调整代码或参数，验证后部署到实体机器人，形成生成、评价和修订的闭环。

二、主要创新点

第一，打通策略生成与工程部署。系统输出的不只是任务规划或动作序列，而是可执行的 Python 控制函数，并自动处理运行环境配置、代码传输和启动。

第二，建立约束池与技能图的结构化映射。任务要求被分解为可检查的约束，再映射到函数及其依赖关系，使生成过程具有明确的组织结构和复用基础。

第三，自动组织全局协调与局部自治。对形状形成、围捕等存在整体几何目标的任务，先由控制站完成目标分配，再由各机器人分布式执行；对聚集、群集等任务，则可采用纯局部策略。

第四，形成可扩展的部署架构。系统使用 Ansible 经 SSH 批量管理机器人，以 Docker 封装 ROS 和 Python 环境，并通过 MQTT 传递机器人状态，降低多机部署的一致性维护成本。

三、实验结果：跨任务验证与实体部署

论文在仿真中测试聚集、群集、形状形成、围捕、穿越、覆盖、探索、追踪、桥接和聚类十类任务。每类任务进行 100 次独立测试，依据几何误差、到达率、覆盖率和轨迹相似度等指标判定成功；采用 o1-mini 时，十类任务平均成功率达到 81%。

在六类代表性任务的对比实验中，采用 GPT-4o 的 GenSwarm 平均成功率为 74%；移除视觉语言模型反馈后为 71%；CaP、MetaGPT 和 LLM2Swarm 分别为 40%、37% 和 40%。结果说明，约束分析、技能组织和代码审查的组合，比直接生成策略或通用代码协作框架具有更好的任务完成稳定性。VLM 反馈带来约 3 个百分点提升，作用明确但并非性能提升的唯一来源。

提示词实验显示，明确给出控制策略要求比单纯调整表达格式更重要。包含策略信息的提示成功率约为 74%—78%；只描述目标而缺少策略要求的提示约为 56%—57%。因此，任务指令应尽量明确群体行为规则、约束条件和安全距离。

实体实验展示了穿越、围捕和桥接任务。平台通过室内动捕系统获取机器人状态，再经 MQTT 分发局部信息；运行环境部署约需 2 分钟，代码部署仅需数秒，代码生成约需 6 分钟。需要指出，实体平台尚未使用完整的机载自主感知系统，感知信息由动捕系统模拟提供。

四、局限与后续拓展

论文的边界同样明确：研究重点是决策与控制代码生成，尚未将自主感知、定位和导航纳入完整闭环；评价重点是跨任务通用性与自动化程度，并未证明生成策略在控制性能或最优性上优于成熟控制器；此外，策略主要从零生成，已验证技能的复用仍不足。

后续可从三个方向推进。

其一，接入视觉、激光雷达、惯导和定位模块，引入状态不确定性估计与故障检测，提升真实环境适应能力。

其二，结合多智能体强化学习：由语言模型完成任务分解、约束表达和技能结构设计，再由 MAPPO、SAC 等算法优化局部控制策略，并结合控制屏障函数、速度限幅和碰撞检测实施运行时安全约束。

其三，建立可检索、可组合的技能库，复用已验证的避障、编队、覆盖和目标分配模块，减少重复生成。面向异构集群，还可将上层任务分配与下层平台控制解耦：统一描述 UAV、UGV 和 USV 的任务及资源约束，再根据各平台动力学、传感器和通信能力生成专用技能，逐级开展仿真、半实物与实机验证。

结语

GenSwarm 的贡献在于把多机器人开发从单一算法编程扩展为面向任务的代码生成与部署流程。它为快速原型构建和跨任务迁移提供了工程框架，而感知闭环、策略性能与异构平台验证仍是值得继续攻关的关键问题。

文献与代码

Ji, W., Chen, H., Chen, M., et al. GenSwarm: Scalable Multi-Robot Code-Policy Generation and Deployment via Language Models. npj Robotics, 2026, 4, Article 5. https://doi.org/10.1038/s44182-025-00065-w

开源代码：https://github.com/WindyLab/GenSwarm