연합 학습 (Federated Learning, FL)은 원시 데이터를 공유하지 않고 분산된 장치 간의 협력적 모델 학습을 가능하게 하여, 개인정보 보호가 중요한 로봇 센싱 애플리케이션에 적합합니다. 그러나 다중 에이전트 시스템은 기존의 FL 알고리즘을 저하시키는 이질적이고 독립 항등 분포가 아닌 (non-IID) 멀티모달 센서 스트림을 생성하며, 기존의 융합 모듈은 상당한 파라미터 오버헤드와 통신 비용을 초래합니다. 본 논문은 다중 에이전트 활동 인식을 위한 하이브리드 양자-고전 개인화 FL 프레임워크인 QFedAgent를 제안합니다. 이 접근 방식은 양자 상태 인코딩 (quantum state encoding)과 얽힘 (entanglement)을 통해 가속도계-자이로스코프 상호작용을 모델링하는 변분 양자 회로 (variational quantum circuit) 융합 모듈을 통합합니다. 이는 고전적인 다층 퍼셉트론 (multi-layer perceptron) 기반 융합의 33K 파라미터와 비교하여 단 72개의 양자 회전 파라미터만을 필요로 하며, 약 10배의 총 파라미터 감소를 달성합니다. 피험자 기반 non-IID 분할 조건의 OPPORTUNITY 데이터셋에 대한 실험 결과 97.7%의 평균 테스트 정확도를 보여주었으며, 이는 파라미터 효율적인 양자 융합이 기존의 연합 학습 베이스라인과 경쟁할 수 있음을 확인시켜 줍니다.