EFLUX: エラスティックなマルチロボットフォーメーションナビゲーションと適応のためのエージェンティックLLM
狭い環境で動作するマルチロボットチームは、変形と再構成の両方の動作を適応させる必要があります。既存手法は独立したモデリングやルールベースであり、デッドロックを起こしやすい。EFLUXは幾何学に基づくLLMエージェントフレームワークで、変形と再構成を共同推論し、閉ループ生成・検証・修正パイプラインで安全なナビゲーションを実現。実験でデッドロックとナビゲーション失敗を低減。
近年、マルチロボット協調ナビゲーションの分野で新たな進展がありました。中国の研究チームは、幾何学に基づく大規模言語モデル（LLM）エージェントフレームワーク「EFLUX」を提案しました。このフレームワークは、弾力的なマルチロボットフォーメーションの自動ナビゲーションと適応調整を実現します。この研究はarXivプレプリントプラットフォームに論文番号2607.12050として投稿されており、著者はJinyuan Zhangを含む6名の研究者です。
狭い空間や散らかった環境で動作するマルチロボットチームは、編隊の幾何学的形状とグループトポロジーの両方を適応させる必要があります。この適応には、変形（チームが接続を維持しながら形状を連続的に変化させる）と再構成（ロボットがサブグループに分割したり、単一の編隊に戻ったりする）という2つの相補的な動作が含まれます。既存の手法はこれらの動作を独立してモデル化するか、手作りのルールで接続するか、あるいは各動作をいつ呼び出すべきかについて明確な幾何学的基準を欠いています。しかし、困難な環境では編隊形状、接続性、および効果的なチーム構成のオンライン変更が必要となる場合があり、分離されたルールベースのアプローチは最適でない軌道やデッドロックを引き起こしやすくなります。
EFLUXフレームワークの中核は、構造化されたシーン表現を抽出し、LLMを使用して変形アクション（スケーリングやシアリングなど）と再構成アクション（分割やマージなど）の両方を共同で推論することです。その後、閉ループ生成、検証、修正パイプラインを通じて、これらの戦略がロボットごとに実行可能なウェイポイントに変換されます。このプロセスにより、意思決定の合理性と実現可能性が確保され、従来の手法でよく見られるデッドロック問題を回避できます。
研究チームは、シミュレーション環境と実際のハードウェアプラットフォームの両方で実験を実施しました。結果は、EFLUXが制約のある環境で安全で連続的かつ弾力的なフォーメーションナビゲーションを可能にし、ベースラインと比較してデッドロックとナビゲーション失敗を大幅に削減し、一貫したマルチロボット協調を維持することを示しました。このフレームワークの有効性は、幾何学的推論とLLMエージェントを組み合わせることで複雑なロボット問題を解決する可能性を実証しており、倉庫自動化や災害対応などの分野での実用化への道を開いています。
本論文はロボティクス（cs.RO）のサブフィールドに分類され、現在arXivでPDFおよびHTML形式でプレビューを提供しています。研究は関連する支援機関から資金提供を受けており、今後の作業ではフレームワークのリアルタイム性能と拡張性をさらに最適化する予定です。