[论文解读] LSAI: A Large Small AI Model Codesign Framework for Agentic Robot Scenarios

Longyu Zhou, Supeng Leng+2 more|arXiv (Cornell University)|Mar 23, 2026

Robotics and Sensor-Based Localization被引用 0

一句话总结

提出一个大–小AI模型联合设计框架（LSAI）用于具备代理性的机器人，通过注意力聚合与自适应切分将边缘训练的小模型与大型边缘模型融合，以提升感知精度并在动态环境中减少协作延迟。

ABSTRACT

The development of Artificial Intelligence (AI) has enabled agentic robots an appealing paradigm for various applications, such as research and rescue in complex environment. In this context, the next wireless communication technology facilitates robot cooperation for efficient environment sensing and exploration. However, traditional AI solutions cannot always provide reasonable resource utilization decisions, which makes it challenging to achieve both accurate and low-latency research and rescue. To address this issue, we propose a, LSAI, a large small AI model codesign framework to achieve highly accurate and real-time robot cooperation with deep interaction between large AI model and small AI model. We first propose an attention-based model aggregation for LAI construction. It can assist agentic robots in accurately sensing physical environments. Next, we design an adaptive model splitting and update algorithm to enable the robots to perform accurate path planning for high-efficiency environment sensing with low energy consumption. Finally, we demonstrate the effectiveness of our proposed LSAI framework. The simulation results indicate that our solution achieves sensing accuracy of up to 20.4% while reducing sensing cooperation latency by an average of 17.9% compared to traditional AI solutions.

研究动机与目标

• 在资源受限的情况下，推动动态环境中多机器人感知与路径规划的改进。
• 通过将小型机 onboard 模型与边缘构建的大型模型相结合，实现实时、能效高的协同感知。
• 设计基于注意力的模型聚合与自适应LAI/SAI切分，以提升准确性与响应性。

提出的方法

• 提出三层LSAI框架：终端SAI模型层、边缘LAI模型层，以及LSAI模型联合设计层。
• 使用基于注意力的模型聚合来从上传的SAI参数构建LAI，实现更新的自适应加权。
• 开发自适应LAI切分算法，使大型模型参数与机器人轨迹匹配，从而实现高效路径规划。
• 提出基于神经网络融合的模型更新，将LAI子模型与本地SAI模型结合用于在线路径调整。
• 将基于DDPG的训练用于SAI模型，并在边缘进行多轮本地训练、聚合与融合。
• 使用Gazebo-based 3 km x 3 km的机器人救援场景进行评估，指标包括感知精度、路径规划效率和系统延迟。

实验结果

研究问题

• RQ1 大型–小型AI模型联合设计框架如何提升多机器人探测的感知精度与决策延迟？
• RQ2 基于注意力聚合与自适应LAI切分能否在不同数量机器人情形下提供鲁棒且能效高的协同感知？
• RQ3 与集中式或分布式基线相比，将SAI部署在端点并在边缘部署LAI能否在感知精度与路径规划效率上带来提升？

主要发现

• LSAI在感知精度方面优于集中大型模型和分布式小模型基线，在机器人规模变化下表现更好。
• 在LSAI下，路径规划效率在机器人数量增加时保持最高并衰减最少（平均约0.936，基线分别为0.822和0.746）。
• 系统延迟在各尺度下LSAI始终为最低（平均约13分钟 vs 基线的约20.2与24.6分钟）。
• 基于注意力的LAI构建强调信息量大的更新并在模型聚合过程中缓解不可靠更新的影响。
• 自适应LAI切分产生定制化子模型，使能能量感知与避免碰撞的路径调整。
• 基于神经网络融合的SAI更新实现实时路径优化，同时降低通信开销。