面向样本高效和可泛化集体机器人控制的局部规范化等变图神经网络
机器人学
2025-09-19 v1
摘要
多智能体强化学习（MARL）已成为协调复杂决策情境下机器人群体的强大范式，但仍面临诸多挑战。在竞争性场景（如追逐逃脱任务）中，同时适应可能 destabilize 训练；非动力学对策在恶劣条件下往往失败；在一个配置中训练的策略很少能泛化到代理数量不同的环境。为此，我们提出 Local-Canonicalization Equivariant Graph Neural Networks（LEGO）框架，将其无缝集成到诸如 MAPPO 等流行 MARL 算法中。LEGO 使用图神经网络捕获置换等变性和对不同代理数量的泛化，规范化以实现 E(n)-等变性，使用异构表示编码角色特定的归纳偏置。在合作和竞争 swarm 基准实验中，LEGO 显示优于强大基线并提升泛化性能。在实际实验中，LEGO 对可变队伍规模和代理故障表现出鲁棒性。
引用
@article{arxiv.2509.14431,
title = {Local-Canonicalization Equivariant Graph Neural Networks for Sample-Efficient and Generalizable Swarm Robot Control},
author = {Keqin Wang and Tao Zhong and David Chang and Christine Allen-Blanchette},
journal= {arXiv preprint arXiv:2509.14431},
year = {2025}
}
备注
8 pages, 8 figures