Multi-Robot Task Allocation under Shared Resource Congestion: A Game-Theoretic Approach

다중 로봇 작업 할당(multi-robot task allocation, MRTA)은 자동화된 창고 및 물류 시스템에서 효율을 좌우하는 핵심 문제이다. 특히 다수의 에이전트가 제한된 공간과 컨베이어 같은 공유 자원을 동시에 사용하는 환경에서는 혼잡으로 인한 대기 시간 증가와 에너지 비효율이 발생한다. 본 논문은 MRTA를 상태 전이를 포함한 Markov game으로 정식화하고, 각 상태의 의사결정을 공유 자원 혼잡을 고려한 stage game으로 모델링하는 게임이론적 강화학습 프레임워크를 제안한다. 에이전트의 이동 에너지와 혼잡 비용 간의 상충 관계를 비용 함수에 반영하여 전략적 의사결정을 학습하도록 설계하였다. Unity 기반 창고 시뮬레이션 실험 결과, 제안 기법은 기존 방법 대비 작업 효율과 에너지 측면에서 우수한 성능을 보였으며, 혼잡 환경에서도 안정적인 작업 수행이 가능함을 확인하였다. 이는 공유 자원 혼잡을 명시적으로 고려한 접근이 복잡한 MRTA 문제 해결에 효과적임을 시사한다.