人間の集団に寄り添って歩くことは、ロボットが人間らしい社会的認知を発達させる上で不可欠な要素である。しかし現実の人間の集団は固定した隊形をとることがほとんどなく、並んだり散らばったり、進む方向を変えたり再び集まったりする。こうした動的な変化はロボットにとって自然な同伴行動の維持を難しくする。Cong-Thanh Vu 氏と Yen-Chen Liu 氏による論文は、この課題に対応する社交ロボット向けの適応的群集同伴手法を提案しており、IEEE/RSJ International Conference on Intelligent Robots and Systems（IROS 2026）に採択されている。
手法の中心となるのは、Vision-Language Model（VLM）の意味推論能力の活用である。まず集団の各メンバーを検出し、知覚モジュールが相互作用する群集空間の視覚表現を生成してVLMへの入力とする。VLMはこれに基づいてロボットが取るべき同伴位置を推論し、社会的距離を維持し、集団の動的な構造を理解する。つまりロボットはあらかじめ定められた固定隊形に依存するのではなく、「この集団がどのように関わり合っているか」を意味レベルで理解しようとする。
さらにこの推論結果に、Model Predictive Path Integral（MPPI）コントローラを組み合わせて、安定かつ安全な移動軌跡を生成する。VLMが高次の意味的判断を担い、MPPIが低次の運動制御を担うことで、ロボットは集団の動きへの理解と、実際の歩行における安定性・安全性の双方を両立できる。
著者らは5つのシナリオで実験評価を行った。その結果、提案手法はベースラインと比較して同伴の成功率が15%向上し、衝突率が25%減少した。これはロボットが集団に効果的に寄り添えることを示している。定量的な指標に加え、ユーザー調査も実施され、参加者はロボットの同伴行動を自然で社会的に適切なものと評価した。
論文はarXiv（arXiv:2607.01287）に掲載され、ロボティクス（cs.RO）を主分野としつつ、人工知能（cs.AI）やシステムと制御（eess.SY）にも関連する。本研究は、大規模モデルの意味推論と古典的な制御手法を組み合わせ、社交ロボットの群集同伴に応用できる可能性を示している。