다중 에이전트 경로 탐색(MAPF)은 여러 로봇의 동시 경로 계획 문제를 추상화하는 널리 사용되는 방법입니다. MAPF를 머신러닝을 활용한 분산 비최적 솔버로 프레임하며, 각 에이전트는 로컬 관찰을 기반으로 행동을 결정합니다. 연구팀은 에이전트 간 협력을 강화하기 위해 학습 가능한 통신 모듈을 도입한 LC-MAPF 모델을 개발했습니다.
LC-MAPF는 인접한 에이전트 간의 다중 라운드 통신을 통해 정보를 교환하고 조율을 개선하는 일반화된 사전 훈련 모델입니다. 실험 결과, LC-MAPF는 강화 학습 및 모방 학습 기반 접근 방식 등 기존 학습 기반 MAPF 솔버보다 우수한 성능을 보였습니다.
특히, LC-MAPF에 도입된 통신 메커니즘은 통신 기반 MAPF 솔버의 일반적인 병목 현상인 확장성을 저해하지 않습니다.