マルチドローンによるペイロード搬送は、建設、物流、災害対応など幅広い応用が期待される一方、ドローン、ケーブル、ペイロード間の複雑な連成力学が課題となっている。既存手法は特に動的で非構造的な環境において安全性とスケーラビリティに限界がある。2026年にIEEE Robotics and Automation Letters（早期アクセス）に掲載され、arXiv（ID: 2607.20665）でも公開された本研究（著者：Jaeyoun Choiら5名）では、安全でスケーラブルなマルチドローン協調搬送のための学習ベースのフレームワークを提案している。
提案手法の核心は、タスクに関連するドローン-ペイロード結合を保持しつつ、大規模学習に適した計算効率の高い最小限の2次元抽象化モデルを導入することである。この抽象化により、3次元空間の複雑な力学を平面内の重要な相互作用に単純化し、状態空間の次元を大幅に削減しながら、調整と安全性に必要な情報を維持する。
チームサイズ（ドローンの台数）や物理パラメータ（ケーブル長、ペイロード質量など）をランダム化するドメインランダム化を用いて、完全分散型ポリシーをDiscrete Graph Control Barrier Function Proximal Policy Optimization（DGPPO）により訓練する。DGPPOは、制御バリア関数による安全性保証と強化学習の最適化能力を組み合わせたアルゴリズムである。制御バリア関数は搬送中にドローン同士の安全な距離を維持し、近位方策最適化はエージェントがシミュレーション環境で協調を学習する効率的な方策勾配更新を提供する。ドメインランダム化により、ポリシーは多様なシナリオにさらされ、強力な汎化能力を獲得し、微調整なしで実機にゼロショット転送可能となる。
広範な実世界評価により、単一の学習ポリシーが異なるチームサイズ（2台から複数台）やタスクシナリオ（直線搬送、旋回など）にわたって成功裏に機能することが示された。さらに、複数グループのハードウェア実験では、他のドローンチームが移動障害物として存在する動的環境でも同一ポリシーが安全に動作することを確認。これは、提案フレームワークが複雑な実環境に対する高い汎化能力を持ち、効率的で安全かつスケーラブルなマルチドローン搬送を実現することを示している。本研究成果は、自律型ドローン協調制御の分野における重要な一歩であり、建設現場、倉庫、被災地などでの実際の応用への道を開くものである。