技術要約: SPIN – テンソル化された方策調整による分散型スウォーム制御

問題提起

リソース制約のあるエッジプラットフォーム（例：マイクロUAV）における自律型ロボットスウォームの展開は、以下の2つの根本的なボトルネックに直面している：

1. 結合アクション空間の指数関数的なスケーリング: $m$ 個の近傍エージェントが $n$ 個の離散的な振る舞いにわたって協調するシステムでは、結合確率テンソルは $O(n^m)$ でスケールする。これは、低電力マイクロコントローラのメモリおよび処理能力を急速に飽和させる。
2. 通信およびレイテンシへの敏感さ: マルチエージェント強化学習（MARL）や中央集権的なクラウドオーケストレーターに依存する従来の分散型パラダイムは、ネットワークの遅延、パケットロス、および通信ラグに対して高い感受性を有する。さらに、エッジハードウェア上で方策適応のためにオンラインのバックプロパゲーションや確率的勾配降下を実行することは、計算量的に不可能である。

既存のソリューションは、計算コストの増大や、電力消費の激しいオンライン学習ループを必要とすることなく、連続的な物理的知覚（例：LiDAR）と安定した制御コマンドを橋渡しすることに失敗していることが多い。

手法: SPIN フレームワーク

本論文では、反復的なコンセンサスやオンライン学習を、圧縮されたテンソル化された協調とゼロショットの代数的フィルタリングに置き換える分散型制御アーキテクチャ、**SPIN（Swarm Policy Interference Network）**を導入する。このフレームワークは、ハイブリッド・ニューロ・シンボリック・パイプラインを通じて動作する：

1. テンソルネットワークによる方策圧縮

完全な結合アクションテーブルを維持する代わりに、SPINはスウォームの流動的な通信トポロジーを、時変マルコフ確率場（MRF）としてモデル化する。

• 行列積状態（MPS）分解: 局所的な相互クリークの結合方策テンソルを、開境界条件行列積状態（OBC-MPS）鎖（テンソル・トレイン）へと因子分解する。
• 複雑性の削減: この因子分解により、結合確率を評価する計算複雑性は、指数関数的な $O(n^m)$ から、厳密に線形な $O(m \cdot n \cdot \chi^2)$ （ここで $\chi$ はボンド次元）へと減少する。
• クリークの一貫性: 中央のコーディネーターなしでグローバルなコンセンサスを確保するため、フレームワークは代数的一貫性制約を強制する。エージェントが重複するクリークに属する場合、その局所的な周辺演算子は、親クリークの文脈に関わらず不変でなければならない。これは、グローバルなメッセージパッシングではなく、軽量で局所的な反復的トレース距離再構成を通じて達成される。

2. ニューロ・シンボリック協調マッピング

SPINは、オンライン学習を回避するために、空間特徴のマッピングと動的な振る舞い修飾子をデカップル（分離）する。

• オフライン事前学習: 軽量な多層パーセプトロン（MLP）である $\phi_\omega$ は、相対的な運動学的記述子（例：ターゲットベクトル）を抽象的な環境ターゲット尺度へとマッピングするようにオフラインで事前学習される。実行時には、これらの重みは固定される。
• ラドン＝ニコディム微分フィルタリング: 実行時、エージェントはゼロショットの決定論的な重要度再重み付けフィルタとして、ラドン＝ニコディム微分（$d\nu/d\mu$）を適用する。この演算子は、ターゲット測度（$\nu$）と事前測度（$\mu$）の比に基づいてエージェントの行動方策を動的に変調し、勾配降下法なしでの即時的な適応を可能にする。

3. ハイブリッド運動学的駆動

抽象的な代数状態は、ハイブリッド制御層を通じて物理的な運動へと投影される：

• 構造的デカップリング: 内部の複素値テンソル状態は、直接的な飛行コントローラーではなく、協調エンベロープとして機能する。
• 駆動: 最終的な速度ベクトルは、内部の方策期待値（テンソル周辺分布から導出）と、古典的な手作りの幾何学的安全フィールド（例：衝突回避、ターゲット吸引）の加重ブレンドである。
• 安全性保証: システムは、数値的安定性と運動学的制約への遵守を確保するために、非線形再正規化と境界投影を採用している。

主な貢献

1. テンソルネットワークによる方策圧縮: 非局所的なスウォーム依存性を、OBC-MPSを介した圧縮された線形パイプラインへとマッピングすることで、マルチエージェントの状態追跡をエッジマイクロコントローラ上で実行可能なものとした。
2. ニューロ・シンボリック協調マッピング: 空間知覚（固定された事前学習済みMLPによる）と振る舞いの適応（ラドン＝ニコディム微分による）を明示的にデカップルし、オンライン最適化なしでのゼロショットの方策シフトを可能にした。
3. クリーク認識型テンソル化協調: フルな結合方策テーブルの列挙を避け、有界な再重み付けによって更新されるクリークレベルのテンソル表現を維持することにより、局所的な協調を圧縮するメカニズム。

実験結果

本フレームワークは、$N=10$ のエージェントを用いた120制御間隔の、PettingZoo互換の離散時間シミュレーションサンドボックス内で検証された。評価では、SPINを以下の3つのベースラインと比較した：

• APF-Velocity: 決定論的な人工ポテンシャル場コントローラー。
• Distributed Auction-CBBA: 軽量なオークションベースの割り当てアルゴリズム。
• MAPPO: シナリオ固有の報酬を用いて学習されたマルチエージェントPPOベースライン。

各レジームにおける性能:

• トラッキング: SPINは移動目標への安定した収束を示したが、最終的なターゲット距離においてはAPF-Velocityに劣った（12.079 対 4.621）。MAPPOは特定の学習後には競争力を持った。
• 拡散 / エリアカバレッジ: SPINはAPF-Velocityと同じ空間エントロピー（0.452）を達成したが、平均軌跡長は有意に短かった（125.117 対 194.527）。これは、より保守的な再配置戦略を示している。
• マルチゴール協調: SPINは、全手法の中で最も優れた最終平均ターゲット距離（6.746）を達成し、APF-Velocity（6.838）を上回り、不安定なMAPPO（15.025）を大幅に凌駕した。

主要な知見: SPINは「ジェネラリスト」コントローラーとして機能する。特定の強力なレジーム（例：純粋なトラッキングにおけるAPF）において特化したベースラインを圧倒することはないが、特定のシナリオに特化した再学習を必要とすることなく、これら3つの異なるタスクタイプすべてにおいて競争力を維持している。

意義と主張

本論文は、SPINを実用的なフライトスタックとしてではなく、数学的に裏付けられた、扱いやすく低電力なエッジ・インテリジェンスへの道筋を示す**概念実証（PoC）**として位置づけている。

• エッジ実現の実現可能性: 著者らは、コンパクトなテンソル化協調層が、安定した、再利用可能で、タスク柔軟性の高い方法で、古典的な運動プリミティブを変調できることを示したと主張している。
• 最適化から代数への転換: パワー消費の激しいオンライン学習ループを、直接的な代数的状態更新（ラドン＝ニコディム・フィルタリング）とテンソル縮退に置き換えることの重要性を示している。
• 一般的な協調言語: 集団的なスウォーム行動は、個別のタスクごとに制御パイプライン全体を再設計するのではなく、局所的な状態ベクトル進化と相互作用構造を調整することによってチューニングできることが示唆されている。

著者らは、現在の研究が、アブレーションスタディ、通信ノイズのストレス・テスト、およびハードウェア検証を欠いた合成シミュレーションであることを明記し、限界を認めている。主な貢献は、コアとなる設計原理が、制御された環境内において、安定かつ解釈可能なプロトタイプを許容することを実証した点にある。