章鱼式分布式控制用于软机器人臂：基于图神经网络的注意力策略与环境交互

本文提出了SoftGM—a种受章鱼启发的分段软机器人臂的分布式控制架构，通过在不依赖全局障碍几何信息的情况下学习在接触丰富环境中到达目标并实现在线障碍发现。SoftGM将每个臂段建模为合作智能体，并将臂-环境交互表示为图结构。SoftGM采用遵循集中训练分布执行（CTDE）范式的两阶段图注意力消息传递方案，包含集中Critic和分布式Actor。我们在Cosserat-rod仿真器（PyElastica）中评估了SoftGM，包含三个日益复杂的环境任务：无障碍、结构障碍和带孔墙体场景。在与IDDPG、IPPO、ISAC、MADDPG、MAPPO、MASAC等六个广泛使用的多智能体强化学习基线在相同信息内容和训练条件下的比较结果表明，SoftGM在简单场景中与强大的CTDE方法持平，在带孔墙体任务中实现最佳性能。鲁棒性测试包括观测噪声、单节段失效actuation以及瞬态扰动，显示SoftGM在保持控制功耗有界的同时仍能成功，表明其由选择性接触相关信息路由驱动的鲁棒性协调。