不確実で未知の環境において複数ロボットの安全な経路計画を立てるには、情報量、安全性、調整の効率を同時に満たす必要がある。arXivに公開された論文「Multi-Agent Next-Best-View Optimization for Risk-Averse Planning」は、Amirhossein Mollaei Khass氏ら6名による研究成果で、IROS 2026への投稿が予定されている。テーマはマルチエージェントの次最良ビュー（NBV）選択である。
従来の集中型アプローチは、生のセンサーデータを共有するか、大きな通信オーバーヘッドを前提とするため、チーム規模が大きくなると拡張性が制限される。著者らは、意思決定を各ロボットのローカルに分散させながら、チーム全体としては共通の目的を協調的に最適化する枠組みを目指した。
提案手法は分散型かつリスクを考慮したマルチエージェントNBVフレームワークである。各ロボットは私有の局所3Dガウシアンスプラッティング（3DGS）地図を保持し、生データをアップロードしない。チームが共同で最大化するのは期待情報利得（EIG）だが、その対象は計画軌道上のマスクで限定された領域に絞られ、探索の利得をこれから実行する行動に結び付ける。
この分散目的の求解には、通信グラフ上のConsensus ADMM（C-ADMM）を用いる。各ラウンドでロボットが交換するのは、候補視点、計画軌道の記述子、そしてスカラー値のEIG寄与という3種類の軽量な情報だけである。この設計により、通信負担の増加は集中型よりもはるかに小さく抑えられる。
安全性については、Average Value-at-Risk（AV@R）を用いて局所3DGS地図上で各軌道の衝突リスクを評価する。このリスク指標は二つの役割を担う。一つは情報利得を数える際のマスク半径の決定、もう一つは計画された経路のスコアリングであり、計画段階からリスク回避の選好が反映される。
実験はGibson環境で複数のチーム規模に対して行われた。結果として、この分散定式化は地図再構成品質と軌道安全性の両面で集中型ベースラインに近づきながら、通信量を桁単位で削減できることを示した。論文は8ページ・図5点で、ロボット工学（cs.RO）に分類され、限られた通信条件下で情報収集と安全な計画を両立させる拡張可能な協調手法を提示している。