群制御2026/8/17arXiv:2608.16229v1

プランナー条件付き拡散による協調マルチエージェント探索

Planner-Conditioned Diffusion for Coordinated Multi-Agent Exploration

複数のプランナーのデモから学習し、プランナーIDを条件として与えることで多様な軌道を生成できる拡散ポリシーを提案。局所的な再ランキングでエージェント間の重複を減らし、協調探索を実現した。

詳しい要約

1. どんなもの？

本論文は、グラフベースのマルチエージェント探索タスクにおいて、複数のプランナースタイルから生成されたデモンストレーションを用いて訓練されたPlanner-Conditioned Diffusion Policy (PCDP)を提案する。PCDPは、プランナーIDを明示的な条件付け入力として受け取り、単一の共有モデルでマルチモーダルな軌道分布を学習する。これにより、同じ観測から多様で制御可能な軌道候補を生成できる。さらに、このマルチモーダルな単一エージェントポリシーを全エージェントに再利用し、近傍エージェントが予測重なりが最小となる軌道の組み合わせを共同選択するローカルリランキングによって調整を実現する。

2. 先行研究と比べてどこがすごい？

従来の拡散ベースのプランナー（例：DARE）は、狭いプランナー分布で訓練されており、行動の多様性や推論時の制御性が限られていた。PCDPは、複数のプランナースタイルからのデモンストレーションをプランナーIDで条件付けして訓練することで、単一モデルで多様な軌道分布を学習し、制御可能な軌道生成を可能にした点が新しい。また、エンドツーエンドのマルチエージェント学習はスケールや訓練が難しいが、PCDPは単一エージェントポリシーを再利用し、リランキングで調整するため、スケーラブルで訓練が容易である。

3. 技術・手法の肝は？

PCDPは、拡散ポリシーを基盤とし、プランナーIDを条件付け入力として追加する。訓練時には、複数のプランナースタイル（例：貪欲、ポテンシャルベースなど）から生成されたデモンストレーションを使用し、プランナーIDを明示的に与えることで、モデルは各プランナーの軌道分布を学習する。推論時には、プランナーIDを指定することで、所望のスタイルに沿った軌道を生成できる。調整は、ローカルリランキングによって行われ、近傍エージェントが互いの軌道の重なりを最小化する組み合わせを選択する。

4. どうやって有効だと検証した？

4エージェントのシミュレーション環境で、100枚の未見マップを用いて評価した。比較対象は、古典的手法と拡散ベースのベースライン。PCDPは、拡散ベースのベースラインと同等の完全成功率を達成しつつ、平均最大エージェント移動距離、チーム全体の移動距離、エージェント間の不均衡を改善した。また、単一プランナーベースラインに対するリランキングのみの効果はわずかであり、プランナー条件付きマルチモダリティが調整改善の主因であることを示した。さらに、定性的なシミュレーション結果と2エージェントの実ロボット実験により、多様な長期間軌道生成が明示的な反発機構なしにエージェント間の空間的分離を生み出すことを検証した。

5. 議論はある？

議論として、プランナー条件付きマルチモダリティが調整に重要であることが示されたが、リランキングの効果は限定的である。また、実ロボット実験は2エージェントのみであり、より多くのエージェントでの検証が必要である。さらに、プランナーIDの選択が結果に与える影響や、プランナースタイルの設計に関する議論が考えられる。要旨からは、これらの詳細は不明である。

6. 次に読むべき論文は？

要旨で参照されているDARE（拡散ベースのプランナー）や、古典的なマルチエージェント探索手法、エンドツーエンドのマルチエージェント強化学習手法などが関連する。具体的には、DAREの論文や、マルチエージェント探索における古典的手法（例：ポテンシャルフィールド法）を読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Marcus Yu Siong Teo, Jeric Lew, Tanishq Duhan, Guillaume Sartoretti

分類: cs.RO

原文アブストラクト

Coordinated multi-agent exploration requires not only efficient individual coverage but also non-redundant coverage across agents over extended planning horizons. Conventional approaches rely on hand-crafted coordination rules, while end-to-end multi-agent learning methods are difficult to scale and train. Diffusion-based planners such as DARE offer a promising alternative by generating long-horizon trajectories instead of single-step actions, but existing methods are trained on a narrow planner distribution, limiting behavioral diversity and inference-time controllability. We propose a Planner-Conditioned Diffusion Policy (PCDP) for graph-based multi-agent exploration. PCDP is trained on demonstrations from multiple planner styles with planner identity as an explicit conditioning input, enabling a single shared model to learn a multimodal trajectory distribution and generate diverse, controllable trajectory candidates from the same observation. Rather than learning coordination end-to-end, we reuse this multimodal single-agent policy across all agents and introduce coordination through local reranking, in which nearby agents jointly select the trajectory combination with minimal predicted overlap. We evaluate PCDP against classical and diffusion-based baselines on 100 held-out maps in a four-agent simulation setting. PCDP matches the perfect success rate of the diffusion-based baselines while improving mean max-agent travel, total team travel, and agent imbalance. Crucially, reranking alone over a single-planner baseline yields only marginal gains, indicating that planner-conditioned multimodality is the main contributor to improved coordination. Qualitative simulation results and real-robot experiments with two agents further validate that diverse long-horizon trajectory generation produces emergent spatial separation between agents without any explicit repulsion mechanism.

arXivで原文を読む →arXiv概要ページ

← 論文一覧