用于去中心化多机器人次模动作选择的图神经网络
机器人学
2022-09-15 v3 人工智能
机器学习
多智能体系统
摘要
去中心化多机器人目标跟踪问题要求为机器人联合选择动作（例如运动基元），以在局部通信下最大化目标跟踪性能。实际实现的一大挑战是使目标跟踪方法对大规模问题实例具有可扩展性。本工作中，我们提出一种通用学习架构，面向具有去中心化通信的大规模协同目标跟踪。特别地，我们的学习架构利用图神经网络（GNN）捕捉机器人的局部交互，并学习机器人的去中心化决策。我们通过模仿专家解来训练学习模型，并将所得模型用于仅涉及局部观测与通信的去中心化动作选择。我们在大规模机器人网络的主动目标跟踪场景中展示了基于 GNN 的学习方法的性能。仿真结果表明，我们的方法几乎匹配专家算法的跟踪性能，且运行速度快数个数量级（至多 100 个机器人）。此外，它略优于一种去中心化贪婪算法，但运行更快（尤其在超过 20 个机器人时）。结果还展现了我们的方法在未见场景（如更大环境与更大机器人网络）中的泛化能力。
引用
@article{arxiv.2105.08601,
title = {Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection},
author = {Lifeng Zhou and Vishnu D. Sharma and Qingbiao Li and Amanda Prorok and Alejandro Ribeiro and Pratap Tokekar and Vijay Kumar},
journal= {arXiv preprint arXiv:2105.08601},
year = {2022}
}