マルチエージェント経路計画（MAPF）は、複数のロボットやエージェントが環境内で衝突することなく目的地に到達する経路を見つけるという課題です。従来のMAPF手法は静的な環境を想定していましたが、実世界の応用では環境が動的に変化し、エージェントが継続的に新しいタスクに対応する必要があります。この課題に対応するため、生涯学習型のMAPFアプローチが注目されています。 LaCAM（Learning and Communication for Agent Movement）は、エージェント間の学習と通信を活用した経路計画手法として知られています。今回紹介される「Lifelong LaCAM with Local Guidance」は、この手法に生涯学習の概念を組み込み、時間とともに変化する環境条件に適応できるように拡張したものです。局所的ガイダンス（Local Guidance）の導入により、各エージェントが周辺環境の情報をより効果的に活用し、より効率的で堅牢な経路計画が可能になります。 このアプローチの利点は、エージェントが過去の経験から学習しながら、新たな環境変化に対して段階的に最適化できることにあります。動的な環境での継続的なタスク実行が求められる自動倉庫システムや自律型ロボット群など、実用的なアプリケーションでの性能向上が期待されています。