SPARC: 공간 인지 경로 계획을 위한 어텐션 기반 로봇 간 통신

SPARC: Spatial-Aware Path Planning via Attentive Robot Communication

분산 다중 로봇 경로 계획(MRPP)에서 효율적인 통신은 매우 중요하지만, 기존의 학습 기반 통신 방법은 주변 로봇들을 공간적 근접성을 고려하지 않고 동일하게 취급하여, 협력이 가장 중요한 혼잡 지역에서 주의 집중도가 떨어지는 문제가 있습니다. 본 연구에서는 Relation enhanced Multi Head Attention (RMHA)이라는 통신 메커니즘을 제안합니다. RMHA는 어텐션 가중치 계산 과정에 쌍별 맨해튼 거리를 명시적으로 포함하여, 각 로봇이 공간적으로 관련된 이웃 로봇으로부터의 메시지를 동적으로 우선순위화할 수 있도록 합니다. 거리 제한 어텐션 마스크와 GRU 게이티드 메시지 융합과 함께, RMHA는 MAPPO와 원활하게 통합되어 안정적인 엔드-투-엔드 학습을 가능하게 합니다. 8개의 학습 로봇에서 40x40 그리드 환경에서 128개의 테스트 로봇으로의 제로샷 일반화 성능을 평가한 결과, RMHA는 장애물 밀도가 30%일 때 약 75%의 성공률을 달성했으며, 이는 최적의 기준 모델보다 25% 이상 높은 성능입니다. 추가적인 분석 결과, 거리 관계 인코딩이 고밀도 환경에서 성공률 향상에 핵심적인 역할을 한다는 것을 확인했습니다. 키워드: 다중 로봇 경로 계획, 그래프 어텐션 메커니즘, 멀티-헤드 어텐션, 통신 최적화, 협력적 의사 결정

Efficient communication is critical for decentralized Multi-Robot Path Planning (MRPP), yet existing learned communication methods treat all neighboring robots equally regardless of their spatial proximity, leading to diluted attention in congested regions where coordination matters most. We propose Relation enhanced Multi Head Attention (RMHA), a communication mechanism that explicitly embeds pairwise Manhattan distances into the attention weight computation, enabling each robot to dynamically prioritize messages from spatially relevant neighbors. Combined with a distance-constrained attention mask and GRU gated message fusion, RMHA integrates seamlessly with MAPPO for stable end-to-end training. In zero-shot generalization from 8 training robots to 128 test robots on 40x40 grids, RMHA achieves approximately 75 percent success rate at 30 percent obstacle density outperforming the best baseline by over 25 percentage points. Ablation studies confirm that distance-relation encoding is the key contributor to success rate improvement in high-density environments. Index Terms-Multi-robot path planning, graph attention mechanism, multi-head attention, communication optimization, cooperative decision-making