群制御2026/8/30arXiv:2608.29490v1

信号時相論理仕様からの拡散による汎化可能なマルチエージェント計画

Generalizable Multi-Agent Planning from Signal Temporal Logic Specifications via Diffusion

拡散モデルとSTLの微分可能近似を組み合わせ、訓練時に見たことのない仕様にも汎化できるマルチエージェント計画手法を提案した。

詳しい要約

1. どんなもの？

本論文は、Signal Temporal Logic (STL) 仕様に基づくマルチエージェントプランニングのための新しい拡散法（diffusion method）を提案している。実世界のマルチエージェントシステム（ドローン群、自動運転車、倉庫ロボットなど）が衝突を回避しながら複雑な時間的タスクを満たすことを目的とする。提案手法は、STLの微分可能な近似を用いて、denoising processにSTL勾配を統合することで、学習ベース手法と同等のスケーラビリティを維持しつつ、訓練中にカバーされたゴール領域内の新しい仕様に一般化できる。また、異種仕様（heterogeneous specifications）をサポートし、拡散モデルによりプランの多様性を高め、エージェント間の衝突などの安全性違反を削減する。

2. 先行研究と比べてどこがすごい？

既存の最適化ベース手法は任意のSTL仕様を扱えるが、エージェント数が増えると計算コストが高くなりスケーラビリティに欠ける。一方、学習ベース手法は多数のエージェントを高速に処理できるが、訓練時の目的と異なる展開時目的には対応できず、異なるエージェントに異なる仕様を割り当てるheterogeneityや、複数エージェントの協調を要するチームレベル仕様をサポートしない。提案手法は、STL勾配を拡散モデルに統合することで、一般化可能性とスケーラビリティのトレードオフを克服し、既存手法の限界を打破している点が優れている。

3. 技術・手法の肝は？

手法の核心は、STLの微分可能な近似を導入し、その勾配を拡散モデルのdenoising processに組み込むことである。これにより、訓練中にカバーされたゴール領域内の新しいSTL式に対して、勾配情報を利用してプランを生成できる。拡散モデルはプランの多様性を自然に向上させ、安全性違反（衝突など）を削減する。また、異種仕様をサポートするために、エージェントごとに異なるSTL式を扱えるように設計されている。

4. どうやって有効だと検証した？

詳細な評価研究を通じて、STLガイド付き拡散ベースのマルチエージェントプランナーが、一般化可能でスケーラブルかつ多様なプランを生成することを実証している。具体的な評価指標や比較対象は要旨からは不明だが、安全性違反の削減や一般化性能が検証されたと述べられている。

5. 議論はある？

要旨からは、提案手法の限界や議論についての詳細は不明。ただし、一般化は訓練中にカバーされたゴール領域内に限定される可能性があり、領域外の仕様への一般化は保証されないかもしれない。また、拡散モデルの計算コストや、実世界の動的環境への適用性などが議論の余地がある。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、最適化ベースのSTLプランニング手法や学習ベースのマルチエージェントプランニング手法が挙げられる。具体的な論文名は不明だが、STLプランニングの最適化手法（例えば、Mixed Integer ProgrammingやNonlinear Programmingを用いた手法）や、学習ベースのマルチエージェントプランニング（例えば、Graph Neural Networksを用いた手法）が関連する。また、拡散モデルを用いたプランニング全般の研究も参考になる。

※ 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: Joe Eappen, Zikang Xiong, Shreyash S. Iyengar, Suresh Jagannathan

分類: cs.MA, cs.AI, cs.RO

原文アブストラクト

Multi-agent systems in the real-world (e.g., drone swarms, autonomous cars, warehouse robots) must satisfy rich, temporal tasks while avoiding collisions. Signal Temporal Logic (STL) elegantly encodes such objectives, but current STL planning methods face critical limitations. State-of-the-art optimization-based approaches can handle arbitrary STL specifications but struggle with scalability, becoming computationally impractical as the number of agents grows. Learning-based methods efficiently handle a large number of agents with rapid planning times but fare poorly when deployment-time objectives differ from those used during training, and do not support planning tasks that require different specifications to be ascribed to different agents (i.e., heterogeneity) or team-level specifications requiring coordination of multiple agents. This fundamental trade-off between generalizability and scalability presents a challenge for realizing multi-agent STL planning algorithms in practice. To overcome this challenge, we introduce a new diffusion method for multi-agent planning with STL specifications. Using a differentiable approximation of STL, we integrate the STL gradient in the denoising process, making our approach generalizable to novel formulas whose predicates are placed anywhere within the goal region covered during training, while achieving the same scalability as existing learning-based methods. Our method supports heterogeneous specifications, and by using diffusion models, naturally enhances plan diversity, thereby significantly reducing safety-related violations (e.g., collisions) among agents. A detailed evaluation study justifies the utility of STL-guided diffusion-based multi-agent planners for constructing generalizable, scalable, and diverse plans. Videos and code are available at https://www.jeappen.com/diff-ma-stl/ and https://github.com/jeappen/diff-ma-stl .

arXivで原文を読む →arXiv概要ページ