2026年6月22日、arXivに投稿された論文「Topological Online Learning for Displacement-based Formation Control」（arXiv:2606.23901）では、Saksham Sharma氏らがTOLD（Topological Online Learning for Displacement-based）と呼ばれる新しい編隊制御フレームワークを提案しました。このアプローチは、従来のノードレベルのロバスト制御器とは異なり、ロボット間の相互作用トポロジの重みをオンラインで学習・更新することにより、編隊の歪みを直接最小化する点が特徴です。
TOLDフレームワークには、オンライン勾配流（OGF）とオンライン指数勾配流（OExpGF）という2つの戦略が含まれます。OGFは重みに制約を設けず、OExpGFは非負の凸重みを用います。理論解析の結果、有向グラフ上の単一積分器エージェントに対して、OExpGFは漸近的なコンセンサス（状態一致）を保証し、OGFは編隊の歪みが有界であることを保証することが示されました。
シミュレーションでは、12台のロボットが断続的な外乱を受ける環境でTOLDをノードレベル制御器と組み合わせて使用したところ、累積二乗平均歪み誤差の中央値が1.2%から33.14%削減されました。さらに、実機実験ではCrazyflie 2.0クアッドローターを用いた検証が行われ、固定重みのコンセンサス法と比較して、OGFは62%以上、OExpGFは31.4%の編隊歪み中央値の低減を達成しました。
この研究は、ロボティクス（cs.RO）およびシステムと制御（eess.SY）の分野に貢献するものであり、特に外乱の多い環境下でのマルチロボットシステムの協調制御に新たな可能性を開くものです。TOLDのようにエッジレベルで適応する手法は、今後の研究や実用化において重要な役割を果たすと期待されます。