実世界のマルチロボットシステム設計では、個々のロボット能力を拡張することが一般的だが、コストが高い。arXiv 2026年5月公開の論文（arXiv:2605.30383v1）は、システムレベルの設計問題を検討している。すなわち、ハードウェア予算が同等の条件下で、ロボット間の通信を再構築することが、オンボードモデル規模を増やすよりも大きな利益をもたらすかどうかである。著者はJunping Wang氏ら8名で、ロボティクス（cs.RO）と人工知能（cs.AI）の分野にまたがる。
研究チームは代表的な輸送・マッピング課題を採用し、10台の物理ロボットで実験を行った。各条件5回、合計60回の実行である。比較した介入は2つ。1つは通信トポロジーを完全接続からモジュラー階層型相互作用に変更すること、もう1つはニューラルネットワークの隠れ層サイズを2倍にすることである。結果として、正規化性能（0〜100）において、トポロジー変更は47ポイントの向上をもたらしたが、モデル規模2倍は最大9ポイントの向上にとどまった。この差は、テストされたシステムとタスク設定において、相互作用構造が協調性能に与える影響がモデル容量の拡大よりもはるかに大きいことを示している。
さらに、入れ子混合効果モデル比較により、通信トポロジーがモデル適合度を改善する幅度はモデル規模よりも著しく大きいことが示された。このパターンは独立したSMAC（StarCraft Multi-Agent Challenge）再現実験でも確認され、異なる環境でも一定の一貫性があることを示唆している。異種ベンチマークの再分析も二次的な支持的一貫性チェックを提供したが、著者らはこれらが主要な証拠ではないと明言している。
留意すべき限界として、1024隠れユニットを超えると性能が飽和するという観察は、シミュレーション校正に基づく外挿から得られたものであり、ハードウェア上で直接測定されたものではない。したがって、実機での実際の飽和点は異なる可能性がある。著者らはまた、これらの結果がテストされたシステムとタスクの範囲内で相互作用構造が支配的役割を果たす可能性を示すものであり、より広範な定量的一般化はまだ確立されていないと強調している。つまり、この研究は「規模より構造」を実機マルチロボットシステムで実証的に支持するものの、すべてのマルチロボットシナリオに一般化できるわけではない。
全体として、本研究の中心的な貢献は、通信トポロジーとモデル規模という2つの設計レバーを物理ロボット実験で直接比較し、統計的モデル比較と独立再現の証拠を提供した点にある。マルチロボットシステム設計者にとって、ハードウェア予算が限られている場合、モデルを単に大きくするよりもロボット間の相互作用構造を優先的に最適化することが効率的な選択肢となり得るが、具体的なタスクとシステム制約に照らして検証する必要がある。