Akule：基于稀疏交互扩散的快速可扩展多机器人运动规划

Akule 是一个稀疏交互扩散框架，通过可复用的成对修正模型 R_φ、上下文选择器 U_ψ 和组合器 G_ω 三个学习模块增强冻结的单机器人先验，实现多机器人运动规划。该方法在多个 MRMP 基准上取得有竞争力的规划成功率，完整规划器加速最高达 25 倍，支持零样本规模迁移，最多可规划 256 台机器人。消融实验表明，学习到的选择与组合相比启发式选择和均匀求和能减少修复前冲突和下游修复工作量。