CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy

📄 arXiv: 2606.12352v1 📥 PDF

作者: Ria Doshi, Tian Gao, Annie Chen, Chelsea Finn, Jeannette Bohg

分类: cs.RO, cs.AI

发布日期: 2026-06-10

备注: Project Website: https://chorus-model.github.io

💡 一句话要点

提出CHORUS框架以解决多机器人协作中的信息共享问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多机器人协作 去中心化方法 视觉-语言-动作 反应式控制 智能机器人

📋 核心要点

  1. 现有的集中式方法在多机器人协作中难以扩展，去中心化方法又需在推理时进行信息共享，导致效率低下。
  2. CHORUS框架通过利用预训练的VLA模型，使每个机器人仅依赖自身观察进行协作，避免了推理时的额外信息共享需求。
  3. 在实际实验中，CHORUS在多个任务上表现优异，提升了64%的性能，并提高了对队友行为的反应性40%。

📝 摘要（中文）

多机器人协作能够高效完成各种任务，但在移动多机器人环境中实现协调仍然具有挑战性。现有的集中式方法在团队规模扩大时表现不佳，而去中心化方法通常需要在推理时进行信息共享以克服部分可观测性。本文提出CHORUS框架，利用预训练的视觉-语言-动作（VLA）模型，使每个机器人仅基于自身观察进行反应式去中心化协作。实验表明，CHORUS在多个实际场景中显著提升了协作效率，超越了现有的去中心化模型和集中式基线。

🔬 方法详解

问题定义：本文旨在解决多机器人协作中的信息共享问题，现有集中式方法在团队规模扩大时效率低下，而去中心化方法则依赖于推理时的信息共享，限制了其应用。

核心思路：CHORUS框架的核心思想是利用预训练的视觉-语言-动作（VLA）模型，使每个机器人能够仅基于自身的局部观察进行反应式协作，消除对推理时信息共享的依赖。

技术框架：CHORUS的整体架构包括一个共享的VLA主干网络，每个机器人在推理时独立运行该网络，并根据自身观察和机器人识别提示进行决策。

关键创新：CHORUS的主要创新在于通过共享的VLA主干实现去中心化的多机器人协作，避免了为每个机器人训练单独策略的复杂性，并消除了机器人间的通信需求。

关键设计：在设计中，CHORUS使用了特定的提示机制来识别机器人，并通过调整损失函数和网络结构来优化模型的反应性和协作能力。具体的参数设置和网络结构细节在实验中进行了验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CHORUS在实际实验中表现出色，较去中心化的从零开始模型提升了64%的性能，同时对队友行为的反应性提高了40个百分点，超越了集中式基线，展示了其在多机器人协作中的有效性。

🎯 应用场景

CHORUS框架具有广泛的应用潜力，适用于需要多机器人协作的场景，如物流、建筑、救援等领域。其高效的去中心化协作能力能够显著提升任务执行的灵活性和效率，未来可能推动智能机器人在复杂环境中的应用。

📄 摘要（原文）

Multi-robot collaboration allows robots to efficiently take on a wide range of tasks, from moving a couch through a doorway to assembling structures on a construction site. However, achieving such coordination in mobile multi-robot settings remains challenging: centralized methods conditioned on the combined observations of a team scale poorly with team size, and decentralized methods that train one policy per robot often require explicit alignment procedures or information sharing at inference time to overcome partial observability. Our key insight is that the visuomotor priors of pretrained vision-language-action (VLA) models should enable reactive, decentralized collaboration from each robot's local observations alone, without these inference-time assumptions. We propose CHORUS, a framework that adapts a single VLA backbone to control diverse, multi-robot teams. At inference time, each robot runs an independent copy of CHORUS, conditioned only on its own observations and a robot-identifying prompt. In real-world experiments including mobile tape measurement, library book handovers, and laundry basket lifting, CHORUS achieves a 64% point improvement over decentralized, from-scratch models, improves reactivity to teammate behavior by 40% points, and outperforms centralized baselines. Together, these results show that a shared VLA backbone is capable of achieving decentralized multi-robot collaboration, without per-robot policies or inter-robot communication at inference.