Train-Small Deploy-Large：拡散モデルに基づくマルチロボット計画の活用

Abstract

学習ベースのマルチロボット経路計画手法は、スケールさせたり変化に一般化したりすることが難しく、特に配備時のロボット数の変動に弱いという課題があります。既存のほとんどの手法は固定されたロボット数で学習されており、検証（テスト）時にロボット数が減少する程度なら許容できる場合がありますが、ロボット数が増加すると典型的には失敗します。さらに、より多くのエージェントに対してこれらの手法を学習することは、時間的にも計算的にも負担が大きくなります。一方で、解析的手法は計算面でのスケールや環境における動的な変化の取り扱いに苦労することがあります。本研究では、動的に変動するエージェント数を扱える拡散モデルベースのプランナーを活用することを提案します。提案手法は限られた数のエージェントで学習され、配備時にはより多いエージェント数へ効果的に一般化します。結果として、単一の共有された拡散モデルベースのプランナーに、専用のエージェント間注意（inter-agent attention）計算と時間畳み込み（temporal convolution）を組み合わせることで、精度の良い「小さく学習して大きく配備する（train small deploy-large）」パラダイムを実現できることが示されます。複数のシナリオにわたって本手法を検証し、既存のマルチエージェント強化学習手法およびヒューリスティックな制御に基づく手法と性能を比較します。