본 논문은 지속적으로 새로운 목표가 주어지는 다수 에이전트의 충돌 없는 경로를 반복적으로 찾는 평생 다중 에이전트 경로 찾기(LMAPF) 문제를 다룬다. 기존 학습 기반 방법들의 단일 단계 행동 생성 방식은 대규모 환경에서 최고의 탐색 기반 알고리즘 성능을 따라잡지 못하는 한계를 가지고 있다. 본 논문에서는 새로운 통신 모듈과 체계적인 단일 단계 충돌 해결 및 전역 안내 기법을 도입한 모방 학습 기반 LMAPF 해결사인 SILLM(Scalable Imitation Learning for LMAPF)을 제안한다. SILLM은 학습 기반 방법의 빠른 추론 속도와 탐색 기반 방법의 높은 해결책 품질을 GPU를 활용하여 결합한다. 최대 10,000개의 에이전트와 다양한 장애물 구조를 가진 6개의 대규모 지도에서 SILLM은 최고의 학습 및 탐색 기반 기준 모델을 능가하며, 각각 평균 처리량을 137.7% 및 16.0% 향상시켰다. 또한, 2023년 국제 LMAPF 경연대회인 League of Robot Runners의 우승 솔루션을 뛰어넘었으며, 모의 창고 환경에서 10대의 실제 로봇과 100대의 가상 로봇으로 검증되었다.
