分散型マルチロボット動作計画（Decentralized Multi-robot Motion Planning）は、ロボット工学における中心的な課題の一つです。各ロボットは局所的な観測のみに基づいて衝突のない軌道を生成する必要があり、グローバルなセンシングや信頼性の高い通信には頼ることができません。しかし、従来の古典的プランナーから学習ベースの手法に至るまで、既存の計画手法の多くは局所観測の静的スナップショットから軌道を生成するため、近隣ロボットの将来の挙動を予測する能力が著しく制限されています。この制限は、ロボットの台数が増加し、環境が複雑になるにつれて重大な問題となります。
この課題を克服するため、本研究では「シミュレーション情報拡散」（Simulation-Informed Diffusion, SID）と呼ばれる分散フレームワークを提案しています。このフレームワークは、制約認識拡散モデル（Constraint-Aware Diffusion Models, CADM）に基づいています。SIDはまず、CADMを使用して現在観測された状態から近隣ロボットの将来軌道をシミュレーションし、次にそのシミュレーションから得られた安全制約の下で、同一のCADMを用いて各ロボット自身の軌道を計画します。重要なのは、近隣の正確なシミュレーションにより、高混雑シナリオでのみ調整をトリガーする最小限の通信スキームが実現される点です。これにより、通信オーバーヘッドを大幅に削減できます。
多様な環境における実験の結果、SIDは計画の有効性と制約充足の両方において、一貫してベースライン手法を上回る性能を示しました。さらに、108台のロボットと160個の障害物を含む大規模シナリオにもスケールすることが確認され、その優れた拡張性が実証されました。本論文はJinhao Liangらによって執筆され、2026年5月26日にarXivに提出されました。対象分野はロボティクス（cs.RO）、人工知能（cs.AI）、機械学習（cs.LG）です。
この研究の意義は、拡散モデルの応用を従来のデータ生成からロボット間のインタラクション予測へと拡張した点にあります。これにより、分散型動作計画に対して効果的かつ効率的な新たなアプローチが提供されました。将来的には、強化学習やオンライン最適化と組み合わせることで、よりロバストでインテリジェントなマルチロボット協調が実現されることが期待されます。