マルチロボットシステム、特に異種ロボットスウォームは、並列処理と相補的な能力を通じて複雑なタスク実行の効率を大幅に向上させることができます。しかし従来のルールベースの手法は事前定義されたタスクモデルと特化した意思決定プログラムに依存しており、複雑なセマンティック命令の理解と異種ロボット間の協調が困難でした。LLM（大規模言語モデル）は強力な言語理解とタスク推論能力を導入し、マルチロボットシステムが命令を解釈し、タスクを分解し、タスクのセマンティクスに応じた役割配分を可能にします。さらにVLM（ビジョン言語モデル）は視覚認識機能を組み込み、ロボットが物理環境内のオブジェクト、領域、空間関係について推論することを可能にします。 しかし既存のLLM/VLMベースの手法は既知のマップに依存し、中央集中型で同期化された意思決定に限定されており、異種ロボットや未知タスクへの一般化が制限されています。本研究が提案するD-VLCフレームワークは、分散型非同期推論、軽量な情報共有、能力認識型協調、統一されたアクション インターフェースを組み合わせています。これにより汎用VLMがロボット固有のアクションを生成し、タスクやロボット特化型の学習なしで専門家が実行できるようになります。 複数のシナリオと多様なVLMを横断した実験結果は70%以上の成功率を示し、幾何的貪欲法ベースラインと比較して完了時間を最大55.8%削減しました。この成果は、異種ロボットが未知環境で動的に協調し、自然言語指示に従って複雑なタスクを遂行する可能性を示唆しており、マルチロボットシステムの実用化に向けた重要な進展といえます。