移動センサ群による複合的な観測タスクへの非集中型制約最適化の適用の検討

全文

(1)Vol.2019-ICS-195 No.3 2019/3/18. 情報処理学会研究報告 IPSJ SIG Technical Report. 移動センサ群による複合的な観測タスクへの非集中型制約最適化の適用の検討松井俊浩†1,a). 概要：ロボットなどの自律的な移動センサ群からなる観測システムによる，広域の監視や危険区域の探査が模索されている．このような観測の要求は一般に多様であり，環境の把握のための巡視や，追跡，特定領域の集中的な観測，通信網の維持のための組織的行動などを必要に応じて組み合わせることが有用であると考えられる．このような要求を自律的なロボット群により非集中的に運用できれば，通信インフラ等が制限される場面での活用が期待されるが，それらの扱いは比較的煩雑である．そこで，移動センサの間の行動の調整を，マルチエージェント分野の汎用的な非集中型制約最適化問題として表現し最適化する枠組みの基礎検討として，巡回タスクにおける観測領域の分担などの簡単な例題によりモデル化の課題と効果を検証する．. A Study of Applying Decentralized Optimization to Composite Tasks with Mobile Sensor Agents. 1. はじめに. さらに移動ロボット群による観測への応用の模索もある [3], [4], [6]．これらの検討では観測対象であるターゲッ. 複数の移動センサ群による観測は，広域監視，災害対応，. トが存在する領域への注視などを複数エージェントで分担. 危険施設内での臨時の観測の手段として研究されている．. するタスクなどが検討されているが，移動ロボットの研究. 特に，自律センサ群による非集中型の観測タスクや観測資. で基本的な巡視などのタスクの上に立脚する複合的な観測. 源割り当ては，臨時の観測システムを動的に構成するうえ. の要求に対応するための問題の表現と，実時間性のための. で重要と考えられる．観測における要求は，巡視や探査，. 局所探索にもとづく解法の応用には，さらに検討の余地が. 注視と追跡，など多様かつ同時に必要となりうるものであ. あると考えられる．本研究では，このような枠組の基礎検. り，さらに分担観測領域の割り当てや，通信網の維持など. 討として，簡単な巡視における複数の移動センサへの観測. の組織的行動も重要である．様々な部分的なタスクを要求. 担当領域の割り当てと競合回避タスクを題材とした，モデ. に応じて組み合わせる複合的な観測手段を構成するための. ルと解法の基本的な構成とその課題について計算機実験に. 枠組には，一定の有用性があると考えられる．しかし，複. より検討する．. 数の異なる要求を同時に満足する行動をを連携させることは比較的煩雑である．また，自律的行動のためには非集中. 2. 巡視タスクの例題. 型の解法が必要である．そのため，観測についての各要求. グリッド世界の環境を巡視する複数の移動センサを模倣. や条件を制約や目的関数として表現し，非集中型の解法に. する複数エージェントからなる系を初期検討のための例題. より解決する枠組の応用が検討されている．. とする．グリッドのセルは通行可能な床と障害物に分類さ. マルチエージェントシステム上の基本的な最適化問題を. れる．観測情報の古さを表すために，最後に観測された論. 扱う分散制約最適化手法が研究されており [2]，その動機付. 理時刻が各グリッドについて記録される．エージェントの. けとして，分散センサ網の例題も検討されている [1], [5]．. 1 ステップの移動範囲は 4 方向であり，観測範囲は周囲 8. †1 a). 現在，名古屋工業大学 Presently with Nagoya Instituted of Technology [email protected]. ⓒ 2019 Information Processing Society of Japan. グリッドである．観測により観測範囲の論理時刻を更新する．障害物のセルも観測できるとする．各セルは十分に広. 1.

(2) Vol.2019-ICS-195 No.3 2019/3/18. 情報処理学会研究報告 IPSJ SIG Technical Report. く，エージェントは適切な衝突回避により同一セルを共有. 自身の領域の外周付近の領域を他に与える．ただし，. できるとする．各エージェントは個別にグリッド世界の地. 障害物に隣接する領域は除外する．. 図と，関連する属性情報を持ちうるが，初期検討として，各エージェントは他のエージェントと情報を毎ステップ同. – 担当する観測領域を持つエージェントである場合に，自身の領域の周辺を領域を他から受け取る．. 期するとする．環境の観測時刻を更新する基本的な巡回タ. 領域の授受は自身と他のエージェントの領域の大きさの差. スクを目的とする．観測情報の古さに閾値を設け，閾値よ. の最大値が閾値を超えている場合に行なう．ただし，自身. りも古い領域があれば，移動目標の候補とする．エージェ. よりも領域が小さいエージェントがいる場合に，そのエー. ントは現在知る地図に基づいて距離や経路探索の計算を行. ジェントに領域を提供し領域の均衡化を図る．これは領域. い，毎ステップ移動目標を更新しつつ移動する．未探査の. の流動を意図する．. セルへの移動の際に，互いに視野が重複するセルを解消す. 領域の授受では，提供する者があるサイズの領域を提案. るように移動目標を選択することを下位の基本的な目的と. し，受け取る者が主導して受け取る領域を選択する．提供. する．また，各エージェントは自身の観測範囲を持ち，そ. する領域の大きさは，自身と他のエージェントの領域大き. れらの大きさが均衡するように観測担当領域を配分する割. さの差の最大値に応じて，それらが均等になるように定め. り当てを得ることを上位の目的とする．観測のシナリオの. て提案する．ただし，観測担当領域周辺の授受は，提供す. 例として，ある入口付近の同一のセルから複数のエージェ. るものが候補とする領域と，受け取る側の周辺領域が重複. ントが出発し，展開する状況を検討する．. した分だけ行う．一つのエージェントは一度に一つの領域. 3. 問題のモデル化各エージェントの状態を次の要素により表現する．. • エージェントの現在位置の二次元座標．. のみを授受する．これにより，初期は分担が無いエージェントに直ちに配分を行い，その後は段階的に領域を授受することを意図する．これらの行動の条件と評価値を複数の重み付きの制約に. • エージェントの次の目的地の二次元座標．. より表現する．後者のものほど優先するために大きなコス. • エージェントの観測担当領域．. トの重みを与える．制約の混同を避けるために階層的な重. • エージェントの現在位置を起点とする各セルへの距離. みを持つコストを与えた最小化問題とする．. と最短経路情報．これらのうち，次の目的地と観測担当領域を調整の対象となる．各エージェントは次の行動を並行する．. ( 1 ) 他エージェントと同一セルへの移動を抑制するためのコスト．. ( 2 ) 他エージェントと視野が競合するセルへの移動を抑止するためのコスト．. • 次の目的地を選択し移動する．ここでは簡単に，観測. ( 3 ) 領域を受け入れるエージェントが領域を授受した結. 担当領域において，最も過去に観測し，最も遠いセル. 果としてなお残る領域の不均衡さのコスト．関連する. を優先して目的地の候補とする．探索近傍を抑制する. エージェント間の領域の大きさの差の最大値に加重. ために，指定された個数の複数の候補の中から移動先. する．. を選ぶ．ここでは候補の数の上限を 16 とした．. • 他のエージェントとの観測領域の授受を選択し観測領域を更新する．初期状態において一つのエージェント. 4. 交渉のための非集中型局所探索全体の解法の枠組みにおける 1 シミュレーションステッ. だけが観測領域を持ち，他のエージェントへ観測領域. プは次の手順から構成される．. を段階的に配分する状況を考慮し，次の 4 種類の授受. ( 1 ) 各エージェントは環境を観測し，自身の現在の状況か. の行動のいずれかを取る．. – 担当する観測領域を持たないエージェントが 1 つ以上ある場合に，自身の領域の半分を他に与える．エージェントの現在の座標から最も離れた観測領域のセルを膨張した領域を渡す．. – 担当する観測領域を持たないエージェントである場合に，他のエージェントから与えられる領域をすべて受け取る．. – 担当する観測領域を持つエージェントである場合に，自身よりも領域が小さいエージェントがいる場合に，自身の領域の外周付近の領域を他に与える．. – 担当する観測領域を持つエージェントである場合に， ⓒ 2019 Information Processing Society of Japan. ら，問題の構成に必要な情報を計算する．. ( 2 ) 現在の自身の情報と，自身の次の行動の初期解を提案する．. ( 3 ) 他のエージェントと合意に達するか制限された回数になるまで交渉を行い，優先される提案を採用する．. ( 4 ) 各エージェントは合意された行動を実行する．エージェントの交渉には分散制約最適化問題の基本的な解法である Maximum Gain Messages (MGM) [2] に類似する非集中型の局所探索を適用する．. ( 1 ) 他のエージェントの情報を収集し，内部計算に必要な前処理を行う．. ( 2 ) 自身の行動の解を探索し，評価値を改善する解がある. 2.

(3) Vol.2019-ICS-195 No.3 2019/3/18. 情報処理学会研究報告 IPSJ SIG Technical Report 㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻝㻝㻖㻖㻖㻖㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻝㻝㻝㻖㻖㻖㻖㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻝㻝㻝㻝㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖. 図 1 環境 1, 4 エージェント, 観測領域の割り当て㻞㻥㻞㻤㻞㻣㻞㻢㻞㻡㻞㻠㻞㻟㻞㻞㻞㻝㻞㻜㻝㻡㻝㻡㻝㻡㻝㻢㻝㻣㻠㻠㻠㻟㻠㻞㻠㻞㻠㻞㻞㻥㻞㻤㻞㻣㻞㻢㻞㻡㻞㻠㻞㻟㻞㻞㻞㻝㻞㻜㻝㻠㻝㻠㻝㻠㻝㻢㻝㻣㻠㻠㻠㻟㻠㻝㻠㻝㻠㻝㻞㻥㻞㻤㻞㻣㻞㻢㻞㻡㻞㻠㻞㻟㻞㻞㻞㻝㻞㻜㻝㻟㻝㻟㻝㻟㻝㻢㻝㻣㻟㻢㻟㻣㻟㻤㻟㻥㻠㻜㻟㻜㻟㻜㻟㻜㻟㻝㻟㻞㻟㻡㻟㻤㻟㻥㻠㻜㻠㻝㻝㻞㻝㻞㻝㻞㻟㻡㻟㻡㻟㻡㻟㻣㻟㻤㻟㻥㻠㻜㻡㻣㻡㻢㻡㻡㻟㻢㻟㻢㻟㻢㻟㻤㻟㻥㻠㻜㻠㻝㻝㻝㻝㻝㻝㻝㻟㻠㻟㻠㻟㻠㻟㻣㻟㻤㻟㻥㻠㻜㻡㻣㻜㻜㻜㻝㻞㻟㻠㻡㻢㻤㻥㻝㻜㻞㻥㻞㻤㻞㻣㻞㻢㻞㻡㻞㻡㻞㻡㻡㻣㻜㻜㻜㻝㻞㻟㻠㻡㻢㻤㻥㻝㻜㻞㻥㻞㻤㻞㻣㻞㻢㻞㻠㻞㻠㻞㻠㻢㻜㻜㻜㻜㻝㻞㻟㻠㻡㻢㻤㻥㻝㻜㻞㻥㻞㻤㻞㻣㻞㻢㻞㻟㻞㻟㻞㻟㻟㻞㻝㻜㻜㻜㻣㻣㻜㻢㻥㻢㻤㻟㻜㻞㻥㻞㻤㻞㻤㻞㻤㻡㻣㻡㻡㻞㻞㻞㻞㻞㻞㻟㻞㻝㻜㻜㻜㻝㻜㻜㻜㻟㻜㻞㻥㻞㻣㻞㻣㻞㻣㻡㻣㻡㻢㻞㻝㻞㻝㻞㻝㻟㻞㻝㻜㻜㻜㻝㻜㻜㻜㻟㻜㻞㻥㻞㻢㻞㻢㻞㻢㻡㻤㻡㻤㻞㻜㻞㻜㻞㻜㻣㻢㻡㻠㻟㻞㻝㻜㻜㻜㻞㻝㻞㻞㻞㻟㻞㻠㻞㻡㻡㻥㻡㻥㻝㻥㻝㻥㻝㻥㻤㻤㻤㻝㻜㻝㻜㻝㻜㻝㻞㻝㻤㻝㻥㻞㻜㻞㻝㻞㻞㻞㻟㻞㻠㻞㻡㻢㻜㻢㻜㻝㻤㻝㻤㻝㻤㻥㻥㻥㻝㻝㻝㻝㻝㻝㻝㻞㻝㻤㻝㻥㻞㻜㻞㻝㻞㻞㻞㻟㻞㻠㻜㻜㻜㻝㻡㻝㻢㻝㻣㻝㻜㻝㻜㻝㻜㻝㻟㻝㻠㻝㻡㻝㻢㻝㻣㻡㻡㻡㻢㻟㻢㻟㻢㻟㻢㻡㻤㻜㻜㻜㻝㻜㻝㻜㻝㻜㻝㻝㻝㻝㻝㻝㻝㻟㻝㻠㻝㻡㻝㻢㻝㻣㻡㻠㻡㻠㻟㻣㻟㻣㻟㻣㻠㻜㻜㻜㻜㻥㻥㻥㻝㻞㻝㻞㻝㻞㻝㻟㻝㻠㻝㻡㻝㻢㻝㻣㻡㻟㻡㻟㻟㻤㻟㻤㻟㻤㻠㻜㻝㻝㻝㻤㻤㻤㻞㻡㻞㻠㻞㻟㻞㻞㻞㻝㻝㻤㻝㻤㻝㻤㻠㻡㻠㻠㻟㻥㻟㻥㻟㻥㻠㻜㻞㻞㻞㻡㻢㻣㻞㻡㻞㻠㻞㻟㻞㻞㻞㻝㻝㻥㻝㻥㻝㻥㻠㻡㻠㻠㻠㻟㻠㻝㻠㻝㻠㻝㻟㻟㻟㻡㻢㻣㻞㻡㻞㻠㻞㻟㻞㻞㻞㻝㻞㻜㻞㻜㻞㻜㻠㻡㻠㻠㻠㻟㻠㻞㻠㻞㻠㻞㻠㻠㻠㻡㻢㻣. 図 2 環境 1, 4 エージェント, 観測情報の新しさ. 場合に，評価値の改善量を提示する．. 200 ear 150 d ea t ca 100 ll o fa oe 50 isz 0. 1. 51. 図 3. 160 140 120 100 80 60 40 20 0. la v t re in . re v b os g . av. 250. l. a t re v in re v b os x am. 92. 34. 1 7. 75. 8 5. age nt 0. age nt 1. age nt 2. age nt 3. 72 1. 9 131 9 ste p. 14 1. 55 1. 7 91. 環境 1, 4 エージェント, 観測担当領域の大きさ. age nt 0 age nt 2. 1. 51. 92. 図 4. 7 5. 34. 17. 85. age nt 1 age nt 3. 7 21. 99 31 1 ste p. 1 41. 691. 551. 7 91. 83 1. 環境 1, 4 エージェント, 平均の観測間隔. age nt 0 age nt 1 age nt 2 age nt 3. 200 . 150 .. 8 31. 691. 100 50. ( 3 ) 他のエージェントの改善量を収集する．. 0. ( 4 ) 自身を含め，改善量が最も高く，識別名による優先順. 1. 位が最も高いエージェントが，解とそれに伴う情報を. 51. 92. 34. 75. 17. 58. 99 31 1 ste p. 72 1. 14 1. 55 1. 961. 3 81. 79 1. 更新する. 図 5. ( 5 ) すべてのエージェントで改善量がゼロになるまで同様. 環境 1, 4 エージェント, 最大の観測間隔. の処理を反復する．この手法では毎回の交渉にリーダ選出に基づく合意を含. を担当する状況とした．エージェントの数は 4 または 6 と. むため，任意の段階で交渉を中断できる．また，探索は基. した．各ステップの交渉回数の上限を 20 回とした．観測. 本的な局所探索だが，実時間性を考慮する場合には，この. 領域の更新間隔の閾値を 20 ステップとし，閾値を超える. ような簡易な探索への妥協とその足場となる系の摂動によ. 古い領域があればそれらを移動目標の候補とした．200 ス. り探索が補助されることを期待する準最適化の方針は必要. テップ経過後の状況の例を示す．. であると考えられる．. 5. 実験. 図 1 と 2 に，4 エージェントの場合の観測領域の割り当てと，観測情報の新しさを示す．この例では，それぞれの担当領域のサイズは 76, 77, 78, 77 であり，比較的均等に担. 初期の検証をシミュレーションにより行った，環境を. 当領域が分割された．また，担当領域を巡回するための次. 20 × 20 のグリッドとした．ある入り口付近からエージェ. の目標地点の候補は周辺の観測情報が古い領域から選ぶ. ントが展開すると仮定し初期位置は (2,2) のセルとした．. 貪欲的な戦略を用いたが，ある程度の間隔で観測が更新さ. 観測領域の配分は，開始時には一つのエージェントが全体. れた．. ⓒ 2019 Information Processing Society of Japan. 3.

(4) Vol.2019-ICS-195 No.3 2019/3/18. 情報処理学会研究報告 IPSJ SIG Technical Report. 200. 㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻝㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻝㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻟㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻟㻟㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻟㻟㻟㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻝㻝㻝㻝㻝㻝㻝㻝㻟㻟㻟㻟㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻟㻟㻖㻖㻖㻖㻠㻠㻠㻠㻠㻠㻠㻠㻠㻡㻡㻡㻡㻡㻡㻡㻟㻟㻖㻖㻖㻖㻠㻠㻠㻠㻠㻠㻠㻠㻠㻠㻡㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻠㻠㻠㻠㻠㻠㻠㻠㻠㻠㻠㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻠㻠㻠㻠㻠㻠㻠㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻠㻠㻠㻠㻠㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻠㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻠㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻠㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻡㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻡㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻡㻡㻡㻡㻡㻟㻟㻟㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖. ear 150 d ea t ca 100 ll o fa oe 50 isz 0. 図 7 環境 1, 6 エージェント, 観測情報の新しさ. 観測を担当する領域の，大きさ，観測期間の平均と最大値の推移を，図 3∼5 に示す．観測領域の配分は，開始時に全体を担当するエージェントの担当領域が，開始後直ち. 1. 51. 図 8. 92. 17. 8 5. la v t re 100 in . re v bs o g . 50 av 0. l. 200. 1. 51. 図 9. 1. 14 1. 515. 8 31. 691. 7 19. 92. 34. 1. 75. 58. 7. age nt 0 age nt 2. age nt 1 age nt 3. age nt 4. age nt 5. 9 131 9 ste p. a t re v 150 in . re v 100 bs o x. 50 am 0. 7 21. 9 131 9 ste p. age nt 2 age nt 5. 14 1. 2 71. 9 61. 551. 318. 971. 環境 1, 6 エージェント, 平均の観測間隔. 51. に分割された後で短期間で調整が行われた．図の観測の間隔は開始時の未探査セルでは 100 とした．エージェントの移動速度に対して環境が比較的広いため，各エージェント. 7 5. 34. age nt 1 age nt 4. 環境 1, 6 エージェント, 観測担当領域の大きさ. 150. 図 6 環境 1, 6 エージェント, 観測領域の割り当て㻝㻠㻝㻟㻝㻞㻝㻝㻢㻡㻡㻡㻞㻟㻞㻜㻝㻥㻝㻤㻝㻣㻝㻣㻝㻣㻠㻝㻠㻞㻠㻟㻠㻠㻠㻡㻝㻠㻝㻟㻝㻞㻝㻜㻢㻠㻠㻠㻞㻟㻞㻜㻝㻥㻝㻤㻝㻢㻝㻢㻝㻢㻠㻜㻠㻞㻠㻟㻠㻠㻠㻡㻝㻠㻝㻟㻝㻞㻥㻢㻟㻟㻟㻞㻟㻞㻜㻝㻥㻝㻤㻝㻡㻝㻠㻝㻠㻝㻠㻠㻞㻠㻟㻠㻠㻠㻡㻝㻡㻝㻡㻝㻡㻥㻝㻜㻜㻜㻞㻥㻞㻢㻞㻢㻞㻢㻝㻡㻝㻜㻜㻜㻠㻢㻠㻢㻡㻝㻝㻢㻝㻢㻝㻢㻥㻝㻜㻜㻜㻞㻥㻞㻣㻞㻣㻞㻣㻝㻡㻝㻜㻜㻜㻠㻡㻠㻡㻡㻞㻝㻣㻝㻣㻝㻣㻝㻤㻝㻜㻜㻜㻞㻥㻞㻤㻞㻤㻞㻤㻟㻞㻝㻜㻜㻜㻠㻠㻠㻠㻡㻟㻞㻜㻞㻜㻞㻜㻞㻡㻞㻣㻞㻤㻞㻥㻟㻜㻟㻜㻟㻜㻟㻜㻟㻝㻟㻞㻟㻟㻡㻤㻡㻣㻠㻟㻠㻟㻠㻟㻡㻠㻞㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻢㻝㻢㻟㻟㻟㻠㻟㻡㻟㻠㻟㻟㻟㻟㻟㻟㻜㻜㻜㻝㻞㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻡㻝㻠㻝㻠㻝㻠㻟㻠㻟㻡㻟㻠㻟㻞㻟㻞㻟㻞㻜㻜㻜㻝㻞㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻡㻝㻟㻝㻟㻝㻟㻟㻠㻟㻡㻟㻠㻟㻝㻟㻝㻟㻝㻜㻜㻜㻝㻞㻝㻜㻜㻜㻟㻟㻝㻡㻝㻞㻝㻞㻝㻞㻟㻡㻟㻢㻞㻡㻞㻡㻞㻡㻞㻢㻞㻥㻝㻢㻝㻢㻝㻢㻞㻝㻜㻜㻜㻟㻞㻠㻝㻝㻝㻝㻝㻝㻝㻟㻣㻟㻣㻞㻠㻞㻠㻞㻠㻞㻢㻞㻥㻝㻣㻝㻣㻝㻣㻞㻝㻜㻜㻜㻞㻣㻞㻤㻝㻜㻝㻜㻝㻜㻟㻤㻟㻤㻞㻟㻞㻟㻞㻟㻞㻢㻞㻥㻝㻤㻝㻤㻝㻤㻟㻟㻟㻡㻞㻡㻞㻠㻞㻠㻥㻥㻥㻠㻠㻠㻡㻜㻜㻜㻝㻟㻢㻝㻥㻝㻥㻝㻥㻠㻠㻠㻡㻞㻡㻞㻟㻞㻞㻤㻤㻤㻡㻠㻜㻜㻜㻝㻟㻢㻞㻜㻞㻜㻞㻜㻣㻣㻣㻞㻢㻞㻡㻞㻟㻞㻝㻣㻜㻜㻜㻝㻜㻜㻜㻝㻟㻞㻞㻝㻞㻝㻞㻝㻤㻤㻤㻝㻡㻝㻡㻝㻡㻝㻢㻢㻜㻜㻜㻝㻟㻞㻞㻞㻟㻝㻞㻞㻞㻞㻞㻞㻥㻥㻥㻝㻞㻝㻟㻝㻠㻝㻢㻡㻜㻜㻜㻝㻤㻝㻞㻝㻠㻝㻡㻞㻢㻞㻟㻞㻟㻞㻟㻝㻜㻝㻜㻝㻜㻝㻞㻝㻟㻝㻠㻝㻢㻡㻠㻞㻞㻞㻥㻝㻞㻝㻢㻝㻢㻞㻢㻞㻠㻞㻠㻞㻠㻝㻝㻝㻝㻝㻝㻝㻞㻝㻟㻝㻠㻝㻣㻡㻠㻟㻟㻟㻝㻜㻝㻣㻝㻣㻝㻣㻞㻢㻞㻡㻞㻡㻞㻡. age nt 0 age nt 3. 図 10. 92. 34. 75. 1 7. 58. 9 31 9 1 ste p. age nt 0 age nt 2. age nt 1 age nt 3. age nt 4. age nt 5. 27 1. 41 1. 551. 9 61. 3 81. 79 1. 環境 1, 6 エージェント, 最大の観測間隔. が担当領域にたどりつくまでは観測の間隔が増加しているが，その後に全てのセルを観測した後はある程度の間隔に収まった．. 他の環境における，4 エージェントの場合の観測領域の割り当てと，観測情報の新しさを図 11 と 12 に示す．こ. 同様の環境における，6 エージェントの場合の観測領域の. の例では，それぞれの担当領域のサイズは 94, 64, 69, 65 で. 割り当てと，観測情報の新しさを図 6 と 7 に示す．この例. あり，特定のエージェントの領域が大きい状況が解消しな. では，それぞれの担当領域のサイズは 49, 45, 52, 48, 63, 51. いまま収束した．この原因は，領域の授受の交渉が局所的. であり，4 エージェントの場合と同様に比較的均等に担当. であり，他のエージェントへの配分を中継する挙動が十分. 領域が分割された．また，このときの観測を担当する領域. に発生せず局所解に収束したためと考えられる．同様の環. の，大きさ，観測期間の平均と最大値の推移を，図 8∼10. 境における，6 エージェントの場合の観測領域の割り当て. に示す．観測領域の配分は，4 エージェントの場合よりも. と，観測情報の新しさを図 13 と 14 に示す．このときの担. 若干ステップ数を要したが，比較的短期間で収束した．観. 当領域のサイズは 52, 48, 51, 44, 47, 50 であり，比較的均等. 測領域の更新間隔は，エージェント数が増加したことによ. な配分となった．他の例も含めた結果からは，上述の局所. り 4 エージェントの場合よりも比較的削減された．. 的な交渉による領域配分の流動性の不足と，領域の演算が. ⓒ 2019 Information Processing Society of Japan. 4.

(5) Vol.2019-ICS-195 No.3 2019/3/18. 情報処理学会研究報告 IPSJ SIG Technical Report 㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻟㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻟㻟㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻟㻟㻟㻟㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻟㻟㻟㻟㻟㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻟㻟㻖㻖㻖㻖㻞㻞㻞㻞㻞㻞㻞㻞㻞㻟㻟㻟㻟㻟㻟㻟㻟㻟㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻟㻟㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻟㻟㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻟㻟㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻟㻟㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻝㻟㻟㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖. 㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻞㻞㻞㻞㻞㻞㻞㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻜㻞㻞㻞㻞㻞㻞㻞㻞㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻜㻞㻞㻞㻞㻞㻞㻞㻞㻞㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻜㻞㻞㻞㻞㻞㻞㻞㻞㻞㻞㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻞㻞㻞㻞㻞㻞㻞㻞㻞㻠㻠㻖㻖㻖㻖㻜㻜㻜㻜㻜㻜㻜㻞㻞㻞㻞㻞㻞㻞㻞㻠㻠㻠㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻠㻠㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻠㻠㻠㻠㻠㻠㻠㻠㻠㻠㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻠㻠㻠㻠㻠㻠㻠㻠㻡㻡㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻠㻠㻠㻠㻠㻠㻠㻡㻡㻡㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻠㻠㻠㻠㻠㻠㻡㻡㻡㻡㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻠㻠㻠㻠㻠㻡㻡㻡㻡㻡㻖㻖㻖㻖㻝㻝㻝㻝㻝㻝㻝㻝㻠㻠㻠㻠㻡㻡㻡㻡㻡㻡㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻡㻡㻖㻖㻖㻖㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻡㻡㻡㻡㻡㻡㻡㻖㻖㻖㻖㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻡㻡㻡㻡㻡㻡㻡㻖㻖㻖㻖㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻡㻡㻡㻡㻡㻡㻡㻖㻖㻖㻖㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻟㻡㻡㻡㻡㻡㻡㻡㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖㻖. 図 11. 環境 2, 4 エージェント, 観測領域の割り当て. 図 13 環境 2, 6 エージェント, 観測領域の割り当て. 㻡㻤㻡㻣㻡㻢㻡㻡㻡㻠㻡㻟㻡㻞㻟㻟㻟㻠㻡㻢㻣㻤㻥㻝㻜㻝㻝㻝㻞㻝㻟㻡㻤㻡㻣㻡㻢㻡㻡㻡㻠㻡㻟㻡㻞㻞㻞㻞㻠㻡㻢㻣㻤㻥㻝㻜㻝㻝㻝㻞㻝㻟㻡㻤㻡㻣㻡㻢㻡㻡㻡㻠㻡㻟㻡㻞㻝㻝㻝㻠㻡㻢㻣㻤㻥㻝㻜㻝㻝㻝㻞㻝㻟㻟㻟㻟㻞㻟㻝㻟㻜㻞㻥㻞㻤㻞㻣㻜㻜㻜㻞㻟㻞㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻠㻝㻠㻝㻠㻟㻟㻟㻞㻟㻝㻟㻜㻞㻥㻞㻤㻞㻣㻜㻜㻜㻞㻟㻞㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻡㻝㻡㻝㻡㻟㻟㻟㻞㻟㻝㻟㻜㻞㻥㻞㻤㻞㻣㻜㻜㻜㻞㻟㻞㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻢㻝㻢㻟㻠㻟㻠㻟㻠㻟㻡㻟㻢㻟㻣㻟㻤㻟㻥㻠㻜㻠㻝㻠㻞㻠㻟㻠㻠㻡㻠㻡㻟㻡㻞㻝㻢㻝㻢㻝㻢㻝㻥㻠㻣㻠㻢㻠㻢㻜㻜㻜㻝㻢㻟㻢㻠㻟㻞㻡㻡㻡㻢㻣㻝㻞㻝㻟㻝㻠㻝㻡㻠㻤㻠㻠㻠㻟㻠㻞㻜㻜㻜㻝㻟㻞㻞㻞㻞㻠㻠㻠㻢㻣㻝㻞㻝㻟㻝㻠㻝㻡㻠㻣㻠㻠㻠㻟㻠㻞㻜㻜㻜㻝㻟㻝㻣㻝㻤㻟㻟㻟㻢㻣㻝㻞㻝㻟㻝㻠㻝㻡㻠㻢㻠㻠㻠㻟㻠㻞㻝㻟㻞㻞㻞㻟㻝㻣㻝㻤㻞㻞㻞㻞㻡㻞㻢㻞㻢㻞㻠㻞㻠㻞㻠㻠㻡㻠㻥㻠㻥㻠㻥㻝㻞㻝㻝㻠㻠㻠㻣㻤㻝㻜㻜㻜㻢㻥㻞㻢㻞㻡㻞㻡㻞㻡㻠㻠㻡㻜㻡㻜㻡㻜㻝㻞㻝㻝㻡㻡㻡㻣㻤㻝㻜㻜㻜㻢㻥㻞㻥㻞㻥㻞㻥㻟㻞㻠㻟㻡㻝㻡㻝㻡㻝㻝㻞㻝㻝㻢㻢㻢㻣㻤㻝㻜㻜㻜㻢㻥㻟㻜㻟㻜㻟㻜㻟㻞㻠㻞㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻡㻝㻠㻝㻟㻝㻟㻝㻟㻡㻜㻡㻝㻞㻝㻝㻝㻟㻝㻟㻞㻠㻝㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻡㻝㻠㻝㻞㻝㻞㻝㻞㻡㻜㻡㻝㻞㻜㻜㻜㻟㻟㻟㻟㻠㻜㻞㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻡㻝㻠㻝㻝㻝㻝㻝㻝㻡㻜㻡㻝㻞㻜㻜㻜㻟㻠㻟㻠㻟㻥㻞㻞㻞㻞㻞㻞㻞㻡㻞㻢㻞㻣㻞㻤㻞㻥㻝㻜㻥㻤㻣㻢㻟㻜㻜㻜㻟㻡㻟㻡㻟㻤㻞㻟㻞㻟㻞㻟㻞㻡㻞㻢㻞㻣㻞㻤㻞㻥㻝㻜㻥㻤㻣㻢㻠㻠㻠㻟㻢㻟㻢㻟㻢㻟㻤㻞㻠㻞㻠㻞㻠㻞㻡㻞㻢㻞㻣㻞㻤㻞㻥㻝㻜㻥㻤㻣㻢㻡㻡㻡㻟㻣㻟㻣㻟㻣㻟㻤. 㻢㻜㻡㻥㻡㻤㻡㻣㻠㻠㻠㻠㻠㻠㻠㻡㻠㻢㻟㻢㻟㻡㻟㻠㻟㻟㻟㻞㻟㻞㻟㻞㻠㻣㻡㻜㻡㻝㻡㻞㻢㻜㻡㻥㻡㻤㻡㻣㻠㻟㻠㻞㻠㻝㻠㻝㻠㻝㻟㻢㻟㻡㻟㻠㻟㻟㻟㻝㻟㻝㻟㻝㻠㻣㻡㻜㻡㻝㻡㻞㻜㻜㻜㻡㻣㻠㻟㻠㻞㻠㻜㻠㻜㻠㻜㻟㻢㻟㻡㻟㻠㻟㻟㻟㻜㻟㻜㻟㻜㻠㻣㻡㻜㻡㻝㻡㻞㻜㻜㻜㻞㻟㻠㻝㻝㻝㻞㻝㻟㻝㻠㻝㻠㻝㻟㻝㻞㻝㻝㻝㻜㻝㻜㻝㻜㻡㻟㻡㻟㻡㻟㻜㻜㻜㻞㻟㻠㻝㻝㻝㻞㻝㻟㻝㻠㻝㻠㻝㻟㻝㻞㻝㻝㻟㻜㻜㻜㻡㻢㻝㻝㻝㻞㻟㻠㻝㻝㻝㻞㻝㻟㻝㻠㻝㻠㻝㻟㻝㻞㻝㻝㻞㻜㻜㻜㻡㻢㻞㻡㻞㻟㻞㻟㻞㻟㻞㻣㻞㻤㻟㻟㻟㻡㻟㻣㻞㻞㻝㻡㻝㻡㻝㻡㻝㻢㻞㻜㻜㻜㻡㻢㻞㻡㻞㻠㻞㻠㻞㻠㻞㻣㻞㻤㻟㻟㻟㻢㻟㻣㻞㻟㻞㻟㻞㻟㻞㻠㻞㻡㻞㻝㻝㻝㻡㻢㻡㻤㻡㻠㻡㻟㻡㻞㻜㻜㻜㻡㻢㻣㻠㻢㻟㻟㻟㻟㻟㻟㻟㻠㻟㻡㻟㻢㻡㻟㻡㻠㻡㻢㻡㻤㻡㻠㻡㻟㻡㻞㻜㻜㻜㻡㻢㻣㻞㻣㻞㻣㻞㻣㻞㻤㻟㻠㻟㻡㻟㻢㻡㻟㻡㻠㻡㻢㻡㻥㻡㻠㻡㻟㻡㻞㻜㻜㻜㻡㻢㻣㻞㻠㻣㻣㻣㻤㻢㻟㻞㻞㻞㻥㻟㻡㻟㻠㻟㻟㻝㻝㻝㻝㻝㻝㻟㻜㻟㻜㻞㻡㻞㻠㻢㻢㻢㻤㻢㻟㻝㻝㻝㻥㻟㻡㻟㻠㻝㻡㻝㻞㻝㻞㻝㻞㻝㻣㻝㻤㻝㻥㻞㻜㻡㻠㻟㻞㻝㻜㻜㻜㻜㻥㻟㻡㻟㻠㻝㻡㻝㻟㻝㻟㻝㻟㻝㻣㻝㻤㻝㻥㻞㻜㻡㻠㻟㻞㻝㻜㻜㻜㻜㻝㻜㻣㻞㻢㻡㻝㻡㻝㻠㻝㻠㻝㻠㻝㻣㻝㻤㻝㻝㻝㻝㻡㻠㻟㻞㻝㻜㻜㻜㻜㻝㻝㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻡㻝㻠㻝㻟㻝㻜㻝㻜㻝㻜㻡㻤㻡㻣㻡㻣㻡㻣㻢㻜㻟㻞㻟㻞㻟㻞㻟㻠㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻡㻝㻠㻝㻟㻥㻜㻜㻜㻡㻢㻡㻢㻡㻢㻢㻜㻟㻟㻟㻟㻟㻟㻟㻠㻞㻜㻝㻥㻝㻤㻝㻣㻝㻢㻝㻡㻠㻟㻞㻜㻜㻜㻡㻠㻡㻟㻡㻞㻡㻝㻟㻢㻟㻡㻟㻡㻟㻡㻞㻡㻞㻡㻞㻡㻞㻣㻟㻠㻟㻡㻠㻟㻞㻜㻜㻜㻡㻠㻡㻟㻡㻞㻡㻝㻡㻜㻠㻤㻠㻤㻠㻤㻞㻢㻞㻢㻞㻢㻞㻣㻟㻠㻟㻡㻠㻟㻞㻝㻝㻝㻡㻠㻡㻟㻡㻞㻡㻝㻡㻜㻠㻥㻠㻥㻠㻥. 図 12. 環境 2, 4 エージェント, 観測情報の新しさ. 図 14. 環境 2, 6 エージェント, 観測情報の新しさ. 簡易的であることによる，局所解や領域の分断もしばしば. 域の調整を含むより上位の巡視や注視のタスクを含めた総. 見られた．このことは，局所探索と環境や行動の摂動にの. 合的な要求に対応する，より複合的な問題の表現とのため. 併用より割り当てが改善する機会がある一方で，局所探索. に，エージェント間の通信の制限，組織的行動のための制. と，その足場とする問題における観測領域割り当ての演算. 約，重点的な観測対象の識別などを考慮が今後の課題とし. やエージェントの行動規則との双方を考慮して，問題と解. て挙げられる．また，より大規模な系において協調がさら. 法を設計することの必要性を示していると考えられる．. に局所性を伴う場合の評価，動的な環境などの実際的な環. 6. おわりに. 境への適用，実際的なセンサにおける観測領域とタスクの. 本研究では，複数の移動センサエージェントによる観測システムのタスクと観測資源割り当ての枠組を制約最適化. 表現の検討も今後の課題である．謝辞本研究の一部は，公益財団法人立松財団一般研究助成による．. と非集中型解法を基礎として構築するための基礎検討として，巡視タスクにおける観測担当領域の配分と競合回避を. 参考文献. 対象とした基礎的な問題とモデルを構成し，その挙動につ. [1]. いて計算機実験により検証した．実時間性を意図し，エージェント間の局所的な観測担当領域の授受の調整を非集中型の局所探索に基づくアプローチを用いた．実験結果より，系の摂動により改善する場合があるものの，局所探索とその足場とする観測と行動のための発見的手法に固有の局所解の影響の改善が必要な状況も見られた．観測担当領 ⓒ 2019 Information Processing Society of Japan. [2]. B´ejar, R., Domshlak, C., Fern´andez, C., Gomes, C., Krishnamachari, B., Selman, B. and Valls, M.: Sensor Networks and Distributed CSP: Communication, Computation and Complexity, Artif. Intell., Vol. 161, No. 1-2, pp. 117–147 (online), DOI: 10.1016/j.artint.2004.09.002 (2005). Fioretto, F., Pontelli, E. and Yeoh, W.: Distributed Constraint Optimization Problems and Applications: A Survey, Journal of Artificial Intelligence Research, Vol. 61,. 5.

(6) 情報処理学会研究報告 IPSJ SIG Technical Report. [3]. [4]. [5]. [6]. Vol.2019-ICS-195 No.3 2019/3/18. pp. 623–698 (2018). Jain, M., Taylor, M. E., Tambe, M. and Yokoo, M.: DCOPs Meet the Real World: Exploring Unknown Reward Matrices with Applications to Mobile Sensor Networks, IJCAI 2009, Proceedings of the 21st International Joint Conference on Artificial Intelligence, Pasadena, California, USA, July 11-17, 2009, pp. 181–186 (online), available from ⟨http://ijcai.org/Proceedings/09/Papers/040.pdf⟩ (2009). Stranders, R., Fave, F. M. D., Rogers, A. and Jennings, N. R.: A Decentralised Coordination Algorithm for Mobile Sensors, Proceedings of the Twenty-Fourth AAAI Conference on Artificial Intelligence, AAAI’10, AAAI Press, pp. 874–880 (online), available from ⟨http://dl.acm.org/citation.cfm?id=2898607.2898748⟩ (2010). Zhang, W., Wang, G., Xing, Z. and Wittenburg, L.: Distributed stochastic search and distributed breakout: properties, comparison and applications to constraint optimization problems in sensor networks, Artificial Intelligence, Vol. 161, No. 1-2, pp. 55–87 (2005). Zivan, R., Yedidsion, H., Okamoto, S., Glinton, R. and Sycara, K.: Distributed Constraint Optimization for Teams of Mobile Sensing Agents, Autonomous Agents and Multi-Agent Systems, Vol. 29, No. 3, pp. 495–536 (online), DOI: 10.1007/s10458-014-9255-3 (2015).. ⓒ 2019 Information Processing Society of Japan. 6.

(7)