解析的ベイズ統合に基づく、断続的通信環境における堅牢なマルチエージェント標的追跡

arXiv cs.RO / 2026/4/10

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、GPSが利用できず、通信が制限された環境における自律的な堅牢マルチエージェント標的追跡を扱う。全ての観測や軌跡履歴を共有するのではなく、短い再接続の機会においてエージェント同士が確率的な信念（belief）地図を交換することで対応する。
分散（非中央集権）融合の目的を順方向KL（Forward KL）および逆方向KL（Reverse KL）の最適化として定式化し、数値ソルバの量子化誤差やノイズフロアのアーティファクトを除去するための厳密な閉形式解析解を導出することで、信念統合を改善する。
解析的手法により、信念統合の計算を（N|S|）のスカラー演算へと削減しつつ、分散ベイズ統合における数学的整合性を維持する。
空間を考慮し、訪問履歴に基づいて重み付けを行うKL統合戦略を導入する。これにより、各エージェントが実際に観測した場所を反映して、エージェントの信念を重み付けできる。
大規模な分散シミュレーションおよび感度分析（数万回規模の実行）により、本手法がセンサノイズを抑圧し、極めて劣化したセンサと長い通信間隔の条件下でも標準的な解析的手段より優れた性能を示すことが示される。

要旨：GPSが使用できず、通信が制限された環境（例：海中探査、地中の捜索救助、敵対的領域）における自律的なマルチエージェント目標追跡では、エージェントが独立して動作し、短い再接続ウィンドウの間にのみ情報を交換することが求められる。完全な観測履歴および軌跡履歴を送信することは帯域を使い尽くすため、確率的な信念（belief）地図を交換することは、エージェントの知識のトポロジーを保持しつつ、非常に効率の高い代替手段となる。分散（divergence）指標を最小化してこれらの分散した信念を統合することは概念的に妥当である一方で、従来の手法では数値ソルバに依存することが多く、致命的な量子化誤差や人工的なノイズフロアが導入される。本論文では、分散信念統合問題を順方向および逆方向のカルバック・ライブラー（KL）ダイバージェンス最適化として定式化し、それらの厳密な閉形式の解析解を導出する。これらの導出を適用することで、最適化に起因するアーティファクトを数学的に完全に排除し、計算コストを信念統合のための $a a$
$a$
a
$a$
a

\mathcal{O}(N|S|)$ のスカラー演算へと削減しつつ、完全な数学的忠実性を実現する。さらに、エージェントの物理的な訪問履歴に基づいて信念に動的な重み付けを行う、新しい空間認識型の訪問重み付きKL統合戦略を提案する。数万件規模の分散シミュレーションで検証した結果、広範な感度分析により、提案手法がセンサノイズを大幅に抑制し、劣化したセンサと通信間隔の長い環境において標準的な解析的手法よりも優れていることが示される。