マルチエージェント生成2026/9/29arXiv:2609.38133

分離型生成ガイダンスによるマルチエージェントフローマッチング

Multi-Agent Flow Matching with Decoupled Generative Guidance

マルチエージェント生成において、共有・個別のハード制約を満たすための分離型ガイダンス付きフローマッチング手法DeGG-Flowを提案し、収束保証と応用例を示した。

詳しい要約

1. どんなもの？

- 複数エージェントの生成モデルにおいて、ハード制約を満たす生成を可能にするフレームワーク「DeGG-Flow」を提案。 - 生成過程を制御アフィン力学系として表現し、共有要件と個別要件の2種類の結合要件に対するガイダンス条件を開発。 - マルチロボット協調による空間ギャップ横断と、アフォーダンス要件を伴うマルチオブジェクトシーン生成に適用。

2. 先行研究と比べてどこがすごい？

- 従来の生成モデルは複雑な分布からの多様な生成が可能だが、ハード制約を満たす保証がなかった。 - マルチエージェント生成では、複数エージェントに依存する要件があり、各エージェントが他のエージェントのガイダンス入力を同時に計算できない問題があった。 - DeGG-Flowは、分離されたガイダンス入力を用いて、共有・個別要件の両方を満たす生成を可能にし、訓練時より多いチームサイズでも制約を満たす。

3. 技術・手法の肝は？

- 生成過程を制御アフィン力学系として定式化。 - 共有要件（複数エージェント共同で満たす）と個別要件（各エージェントが近傍に依存）の2クラスに対するガイダンス条件を導出。 - 両クラスに対して実現可能性条件と有限ホライズン収束保証を確立。 - ガイダンスによる分布の偏差を特徴づけるWasserstein boundを導出。

4. どうやって有効だと検証した？

- マルチロボット協調による空間ギャップ横断（環境再構成）と、アフォーダンス要件を伴うマルチオブジェクトシーン生成の2つの応用で実証。 - 両応用において、DeGG-Flowが全ての対応するハード要件を満たすオブジェクトを直接生成。 - 訓練時に見られなかったチームサイズでも要件を満たすことを確認。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。関連手法として、flow matching、multi-agent generative modeling、control-affine dynamical systems、Wasserstein bound、affordance-based generationが挙げられる。

※ 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: Ruoyu Lin, Magnus Egerstedt, Fabio Pasqualetti

分類: cs.LG, cs.MA, cs.RO, math.OC

原文アブストラクト

Generative modeling is widely used for producing diverse objects from complex, multimodal distributions. However, its expressivity does not, in general, come with formal guarantees that the generated objects satisfy hard constraints or requirements. In multi-agent generation, this problem becomes more challenging because a hard requirement can depend on multiple agents, while each agent may need to determine its own guidance input without relying on the simultaneously computed guidance inputs of other agents. To this end, we introduce DeGG-Flow, a general framework for multi-agent flow matching with decoupled generative guidance. By representing the generative process as a control-affine dynamical system, we develop guidance conditions for two classes of coupled requirements: shared requirements whose satisfaction depends on multiple agents together, and private requirements associated with each individual agent dependent on its neighbors. For both classes, we establish feasibility conditions and finite-horizon convergence guarantees. We further derive a Wasserstein bound that characterizes the distributional deviation induced by the guidance. We demonstrate DeGG-Flow on multi-robot collaboration for crossing a spatial gap by reconfiguring the environment, and on multi-object scene generation with affordance requirements. Across both applications, DeGG-Flow directly generates objects that satisfy all corresponding hard requirements, including at team sizes unseen during training.

arXivで原文を読む →arXiv概要ページ

← 論文一覧