The Question

A single drone can inspect a building. A swarm of drones can map a disaster zone, monitor a wildfire perimeter, or coordinate a search-and-rescue operation — but only if they can plan paths, allocate tasks, and avoid collisions without a centralised controller that becomes a single point of failure. The fundamental challenge is coordination under communication constraints: each drone has limited sensing range, intermittent communication with neighbours, and must make decisions in real-time. Can decentralised algorithms achieve the efficiency of centralised planning while maintaining the robustness of autonomous operation?

Landscape

Qiu et al. (2025) proposed a hybrid game theory and particle swarm optimisation (PSO) approach for multi-robot 3D path planning. They framed robot coordination as a non-cooperative game where each robot optimises its own trajectory while accounting for others' presence as constraints. The PSO component handles the continuous trajectory optimisation, while the game-theoretic framework ensures no robot has an incentive to deviate — a Nash equilibrium condition that guarantees stable, collision-free paths even without explicit inter-robot communication.

Alqudsi (2024) tackled the joint problem of task allocation and trajectory optimisation for autonomous drone swarms. In practical scenarios (e.g., agricultural monitoring, infrastructure inspection), drones must simultaneously decide which tasks to perform and how to reach them. Solving these sequentially — first allocate tasks, then plan paths — leads to suboptimal solutions because path costs depend on allocation and vice versa. Alqudsi's synchronous approach improved total mission completion time by optimising both decisions jointly.

On the hardware side, Ganduri et al. (2025) built Woxbots, a low-cost swarm robotics platform that bridges the gap between simulation and real-world deployment. Most published swarm algorithms are validated only in simulation; Woxbots demonstrated real-time pattern formation and path planning with physical robots, revealing challenges (sensor noise, communication latency, actuator imprecision) invisible in simulation.

Methods in Action

• Decentralised model predictive control (MPC): Each drone solves a local optimisation problem over a short prediction horizon, incorporating predicted trajectories of nearby agents. Sarathi & Kumar (2025) compared multiple guidance algorithms (PID, MPC, DRL, and their combinations with RRT*) for decentralised drone swarms, finding that integrating MPC for path planning with DRL for decision-making provided effective coordination, including under wind disturbance conditions.
• Leader-follower architectures: Lu et al. (2025) used a leader-follower approach where designated leader drones plan primary paths while followers maintain formation and perform cooperative obstacle avoidance. This reduces computational load on follower drones but introduces vulnerability to leader failure.
• Swarm intelligence: Bio-inspired algorithms (ant colony optimisation, PSO, artificial bee colony) encode coordination rules as simple agent-level behaviours that produce emergent group-level intelligence. The appeal is scalability — adding more drones does not increase per-drone computational load.
• Reinforcement learning: DRL agents trained in simulation can learn collision-avoidance and task allocation policies that transfer to real drones, though the sim-to-real gap remains significant.

Key Claims & Evidence

Open Questions

What This Means for Your Research

For robotics engineers, the papers reviewed here highlight that the gap between simulation and physical deployment remains the field's biggest challenge. Woxbots' full-stack approach — proving algorithms on real hardware — should become the standard for credible swarm robotics publications. For algorithm designers, the hybrid approaches (game theory + PSO, MPC + DRL) that combine complementary strengths are outperforming single-paradigm solutions. For application developers, the joint task trajectory optimisation of Alqudsi demonstrates that practical swarm missions require co-design of planning and allocation, not sequential optimisation.

Referenced Papers

• [1] Qiu, H. et al. (2025). Multi-robot Collaborative 3D Path Planning Based On Game Theory and PSO Hybrid Method. J. Supercomputing. DOI: 10.1007/s11227-025-06960-1
• [2] Alqudsi, Y. (2024). Synchronous Task Allocation and Trajectory Optimization for Autonomous Drone Swarm. IEEE ICETI. DOI: 10.1109/ICETI63946.2024.10777195
• [3] Ganduri, K.V. et al. (2025). Woxbots: A Low-Cost Swarm Robotics Platform for Real-Time Pattern Formation and Path Planning. J. Field Robotics. DOI: 10.1002/rob.70078
• [4] Lu, S. et al. (2025). Path Planning and Cooperative Obstacle Avoidance for Swarm Robots Based on Leader-Follower Approach. IEEE METMS. DOI: 10.1109/METMS65303.2025.11047623
• [5] Sarathi, A.P. & Kumar, G.K.L. (2025). Multi-Vehicle Guidance for Decentralised Swarm Using Adaptive MPC, DRL, and RRT. IEEE ETAAV*. DOI: 10.1109/ETAAV66793.2025.11213270

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 저작물에서 인용하기 전에 원본 논문을 통해 구체적인 연구 결과, 통계 및 주장을 검증해야 한다.

드론 군집 조정: 중앙화 제어에서 분산형 지능으로

분야: 공학 | 방법론: 계산-실험적

저자: Sean K.S. Shin | 날짜: 2026-03-17

연구 질문

드론 한 대는 건물을 점검할 수 있다. 드론 군집은 재난 지역을 지도화하고, 산불 경계를 감시하거나, 수색·구조 작전을 조율할 수 있다 — 단, 단일 장애점이 되는 중앙화 제어기 없이 경로 계획, 임무 할당, 충돌 회피를 수행할 수 있을 때에 한한다. 근본적인 과제는 통신 제약 하에서의 조정이다. 각 드론은 제한된 감지 범위를 가지며, 인접 드론과의 통신이 단속적으로 이루어지고, 실시간으로 의사결정을 내려야 한다. 분산형 알고리즘이 자율 운용의 견고성을 유지하면서 중앙화 계획의 효율성을 달성할 수 있는가?

연구 현황

Qiu et al. (2025)은 다중 로봇 3D 경로 계획을 위해 게임 이론과 입자 군집 최적화(PSO, particle swarm optimisation)를 결합한 하이브리드 접근법을 제안하였다. 이들은 로봇 조정 문제를 비협력 게임으로 정식화하여, 각 로봇이 다른 로봇의 존재를 제약 조건으로 고려하면서 자신의 궤적을 최적화하도록 하였다. PSO 구성 요소는 연속적인 궤적 최적화를 처리하고, 게임 이론적 프레임워크는 어떤 로봇도 이탈할 유인이 없도록 보장한다 — 이는 로봇 간 명시적 통신 없이도 안정적이고 충돌 없는 경로를 보장하는 내시 균형(Nash equilibrium) 조건이다.

Alqudsi (2024)는 자율 드론 군집의 임무 할당과 궤적 최적화의 결합 문제를 다루었다. 실제 시나리오(예: 농업 모니터링, 인프라 점검)에서 드론은 어떤 임무를 수행할지와 어떻게 해당 임무에 도달할지를 동시에 결정해야 한다. 이를 순차적으로 해결하는 방식 — 먼저 임무를 할당한 후 경로를 계획하는 방식 — 은 경로 비용이 할당에 의존하고 그 반대도 성립하기 때문에 준최적 해로 이어진다. Alqudsi의 동기적 접근법은 두 의사결정을 공동으로 최적화함으로써 전체 임무 완료 시간을 개선하였다.

하드웨어 측면에서 Ganduri et al. (2025)은 시뮬레이션과 실세계 배치 간의 간극을 연결하는 저비용 군집 로봇 플랫폼인 Woxbots를 제작하였다. 대부분의 공개된 군집 알고리즘은 시뮬레이션에서만 검증되는데, Woxbots는 실제 로봇을 이용한 실시간 패턴 형성 및 경로 계획을 시연하여 시뮬레이션에서는 드러나지 않는 문제들(센서 노이즈, 통신 지연, 액추에이터 부정확성)을 밝혀냈다.

방법론의 적용

• 분산형 모델 예측 제어(MPC, model predictive control): 각 드론은 단기 예측 구간에 걸쳐 국소 최적화 문제를 풀고, 인접 에이전트의 예측 궤적을 반영한다. Sarathi & Kumar (2025)는 분산형 드론 군집을 위한 여러 유도 알고리즘(PID, MPC, DRL 및 RRT*와의 조합)을 비교하여, 경로 계획에 MPC를, 의사결정에 DRL을 통합하는 방식이 풍력 교란 조건을 포함하여 효과적인 조정을 제공함을 발견하였다.
• 리더-추종자 구조: Lu et al. (2025)은 리더-추종자 접근법을 활용하여, 지정된 리더 드론이 주요 경로를 계획하고 추종자 드론은 편대를 유지하며 협력적 장애물 회피를 수행하도록 하였다. 이는 추종자 드론의 계산 부하를 줄이지만, 리더 고장에 대한 취약성을 수반한다.
• 군집 지능(swarm intelligence): 생물 영감 알고리즘(개미 군집 최적화, PSO, 인공 벌 군집)은 조정 규칙을 단순한 에이전트 수준의 행동으로 인코딩하여 그룹 수준의 창발적 지능을 생성한다. 이 접근법의 장점은 확장성이다 — 드론 수를 늘려도 드론 당 계산 부하가 증가하지 않는다.
• 강화학습(reinforcement learning): 시뮬레이션에서 훈련된 DRL 에이전트는 충돌 회피 및 임무 할당 정책을 학습하여 실제 드론에 전이할 수 있으나, 시뮬레이션-실세계 간극(sim-to-real gap)은 여전히 상당하다.

주요 주장 및 근거

미해결 과제

연구에 대한 시사점

로봇공학 엔지니어에게 있어, 본 리뷰에서 검토된 논문들은 시뮬레이션과 실제 배치 간의 격차가 이 분야의 가장 큰 과제로 남아 있음을 강조한다. 실제 하드웨어에서 알고리즘을 검증하는 Woxbots의 풀 스택 접근법이 신뢰할 수 있는 군집 로봇공학 논문의 표준이 되어야 한다. 알고리즘 설계자에게 있어, 상호 보완적 강점을 결합한 하이브리드 접근법(게임 이론 + PSO, MPC + DRL)이 단일 패러다임 솔루션을 능가하고 있다. 응용 개발자에게 있어, Alqudsi의 공동 임무-궤적 최적화는 실용적인 군집 임무가 순차적 최적화가 아닌 계획과 할당의 공동 설계를 필요로 함을 보여준다.