ロボットシステムの性能向上には通常、個々のロボットの計算能力を増強することが一般的ですが、コストが高くつきます。本研究は、現実世界の複数ロボット協調システムにおいて重要な設計上の問題を提起しています。すなわち、同じハードウェア予算が与えられた場合、ロボット間の通信構造を改善することと、搭載するニューラルネットワークのモデルサイズを増やすこと、どちらがより大きな性能向上をもたらすのか、という問いです。 研究チームは10台の実際のロボットを用いて、物体の運搬とマッピング作業という実務的なタスクで検証しました。各条件につき5回の実行、合計60回の実験を行った結果、通信構造を完全結合型から階層的なモジュール構造に変更することで、正規化性能が47ポイント改善されました。一方、ニューラルネットワークの隠れ層ユニット数を2倍にしても、わずか9ポイントの改善にとどまっています。 ネストされた混合効果モデルの比較分析により、通信トポロジーの変更はモデルスケーリングよりも大幅に高い適合度の向上をもたらすことが示されました。この傾向は独立したSMAC（Star Multi-Agent Challenge）の再現実験でも確認されており、シミュレーション環境でも1024ユニットを超える隠れ層サイズでは性能の飽和が観察されています。これらの知見は、システムレベルの設計、特にロボット間の相互作用構造が、単純な計算能力の増強よりも、分散協調システムの性能向上に重要な役割を果たす可能性を示唆しています。