日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群制御arXiv:2511.22685

デッドロック解消のためのハイブリッドRL-MAPFフレームワークによるゼロショットマルチロボットナビゲーション

Deadlock-Free Hybrid RL-MAPF Framework for Zero-Shot Multi-Robot Navigation

シェア:XThreadsFacebookLINEはてブBluesky

強化学習による反応的ナビゲーションと、必要時に起動するマルチエージェント経路計画(MAPF)を組み合わせ、混雑環境でのデッドロックを解消してゼロショットで高い成功率を達成する枠組みを提案した。

詳しい要約

1. どんなもの?

- 複数ロボットの clutter 環境ナビゲーションのための hybrid framework - RL ベースの reactive navigation と on-demand の MAPF を統合 - 狭い通路や閉鎖空間で発生する deadlock を明示的に解消する - safety layer が agent の進捗を監視し deadlock を検出 - 検出時に影響 agent へ coordination controller を起動 - zero-shot での multi-robot navigation を目指す

2. 先行研究と比べてどこがすごい?

- 既存 RL ベース手法は未見環境での generalization が限定的 - 学習分布外の configuration で deadlock が頻発する課題があった - 提案法は RL の reactive 性と MAPF の大域的計画を組み合わせる - deadlock を topology 的に解消できる点が差分 - dense multi-agent benchmark で成功率を marginal から near-universal へ向上 - deadlock と collision を大幅削減

3. 技術・手法の肝は?

- RL による reactive navigation を基盤に持つ - safety layer が agent progress を監視し deadlock を検出 - deadlock 検出時に該当 agent へ coordination controller を起動 - MAPF で globally feasible な trajectory を構築 - waypoint progression を調整し inter-agent conflict を低減 - reactive RL と selective な MAPF intervention の結合が肝

4. どうやって有効だと検証した?

- dense multi-agent benchmarks で extensive に評価 - task completion が marginal から near-universal success へ改善 - deadlock と collision の顕著な削減を確認 - hierarchical task planning と統合し heterogeneous robots の協調ナビを実証 - zero-shot 性能の robustness を示す結果

5. 議論はある?

- RL の generalization 限界を MAPF intervention で補う設計の妥当性 - deadlock 検出の閾値や safety layer の感度に関する議論は要旨からは不明 - MAPF 起動頻度と計算コストの trade-off は要旨からは不明 - heterogeneous robots への拡張性は示唆されるが詳細は要旨からは不明 - 実機検証の有無は要旨からは不明

6. 次に読むべき論文は?

- MAPF の代表的手法(例: CBS, prioritized planning など) - RL-based multi-robot navigation の先行研究 - hierarchical task planning 関連研究 - deadlock resolution に関する古典的/学習ベース手法 - safety layer や shielding を用いた RL 安全制御研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haoyi Wang, Licheng Luo, Yiannis Kantaros, Bruno Sinopoli, Mingyu Cai

分類: cs.RO

原文アブストラクト

Multi-robot navigation in cluttered environments presents fundamental challenges in balancing reactive collision avoidance with long-range goal achievement. When navigating through narrow passages or confined spaces, deadlocks frequently emerge that prevent agents from reaching their destinations, particularly when Reinforcement Learning (RL) control policies encounter novel configurations out of learning distribution. Existing RL-based approaches suffer from limited generalization capability in unseen environments. We propose a hybrid framework that seamlessly integrates RL-based reactive navigation with on-demand Multi-Agent Path Finding (MAPF) to explicitly resolve topological deadlocks. Our approach integrates a safety layer that monitors agent progress to detect deadlocks and, when detected, triggers a coordination controller for affected agents. The framework constructs globally feasible trajectories via MAPF and regulates waypoint progression to reduce inter-agent conflicts during navigation. Extensive evaluation on dense multi-agent benchmarks shows that our method boosts task completion from marginal to near-universal success, markedly reducing deadlocks and collisions. When integrated with hierarchical task planning, it enables coordinated navigation for heterogeneous robots, demonstrating that coupling reactive RL navigation with selective MAPF intervention yields a robust, zero-shot performance.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI