Распространение коллаборативных роботов в различных задачах и воплощениях создает центральную проблему: достижение долгосрочной адаптивности, масштабируемой координации и надежного планирования в мультиагентных системах. Существующие подходы, от моделей vision-language-action (VLA) до иерархических фреймворков, не справляются из-за зависимости от ограниченной памяти отдельных агентов. Это фундаментально ограничивает их способность к обучению на длительных горизонтах, масштабированию до гетерогенных команд или восстановлению после сбоев. Для решения этих ограничений исследователи представили RoboOS-NeXT — унифицированный фреймворк на основе памяти для долгосрочной, масштабируемой и надежной многороботной коллаборации. Система решает ключевую проблему современной робототехники: достижение долгосрочной адаптивности, масштабируемой координации и устойчивого планирования (robust scheduling) в мультиагентных системах.
В основе RoboOS-NeXT лежит новая концепция Spatio-Temporal–Embodiment Memory (STEM) — пространственно-временная память, учитывающая воплощение, которая интегрирует геометрию сцены, историю событий и профили роботов в единое представление. Эта архитектура памяти встроена в иерархическую структуру «мозг-мозжечок», где высокоуровневая модель мозга выполняет глобальное планирование через обращение к STEM и ее обновление, в то время как низкоуровневые контроллеры локально исполняют действия. Замкнутый цикл между познанием, памятью и исполнением обеспечивает динамическое распределение задач, отказоустойчивую коллаборацию и согласованную синхронизацию состояний.
Команда провела обширные эксперименты, охватывающие сложные задачи координации в ресторанах, супермаркетах и домашних условиях. В экспериментах RoboOS-NeXT показала полное превосходство. На длинных последовательностях заданий (уровень сложности L2 в ресторане) ее результат составил 75.0%, тогда как базовая система без памяти показала 0%. На самых сложных задачах (L3) прирост результата составил +63.5% в супермаркете и +58.3% дома. При этом среднее количество шагов для выполнения задач сократилось на 70-73% по сравнению с базовым подходом.
В однородных командах масштабирование от 1 до 3 и до 5 колесных роботов снижает AEST (Average Execution Steps per Task — среднее количество шагов, необходимое для выполнения задачи) на -58% и -76% относительно базовой линии с одним роботом. Надежность остается стабильной. Несмотря на увеличенную нагрузку координации, SR (Success Rate) снижается лишь незначительно при однородном масштабировании (-6%, -9%) и в гетерогенных командах (1 гуманоид + 2 колесных: -5%). В условиях отказов оборудования (E2) RoboOS-NeXT сохранила успешность на уровне 71.3%, тогда как базовая система упала до 23.5% (+203% улучшение). Система также продемонстрирована в реальных сценариях с гетерогенными командами роботов, включая гуманоида Unitree G1, двурукого робота Agilex и однорукого Realman, выполняющих совместные задачи по приготовлению еды, сбору предметов и упаковке подарков.
Источник новости и обложки: arxiv.org