未知の環境でロボットチームが効率的にサンプリング位置を割り当てることは、長く難しい課題とされてきた。論文「ギャップに注意：未知環境におけるマルチロボットのフィードバック駆動型エルゴディック・カバレッジ」は、ロボット群が位置を継続的に調整しながら環境データを動的に収集するマルチロボット適応カバレッジの問題に取り組んでいる。時間の経過とともに新たなサンプリング地点へロボットを効率よく再配置できるかどうかが、タスク全体の成否を左右する。
こうした作業に用いられる代表的な手法がエルゴディック探索である。これはロボットの軌道を最適化し、時間平均したロボットの空間分布を環境情報の空間分布に一致させる考え方である。目標分布が与えられれば有効な探索を促せる一方で、論文は、環境の事前分布が未知である現実をこうした手法が考慮していない点を指摘する。
そこで著者らは、環境モデルからのリアルタイムなフィードバックを利用してロボットのサンプリング行動を調整する適応的カバレッジ戦略を提案する。従来のエルゴディック軌道最適化を拡張し、環境のパラメトリックモデルに基づいて目標となる空間情報分布を構築するとともに、そのモデルをオンラインで更新する仕組みを取り入れた。
この戦略は、環境が静的であるか、ロボットの運動に比べて十分にゆっくり変化することを前提としている。その条件下で、関心の高い領域を動的に優先できるためカバレッジ効率が向上し、個々のエージェントに対する有効な制御方針の合成や、事前分布が未知の状況での資源利用の最適化も可能になる。
著者らはシミュレーションによって手法を検証し、カバレッジと資源配分の両面で効果があることを示した。本論文は2026年5月20日に投稿され、Thales Costa Silva氏ら2名による成果で、ロボティクス（cs.RO）とシステム・制御（eess.SY）に関わり、arXiv:2605.21719として公開されている。