面向多智能体路径规划的超图神经网络： pairwise 方法已不再是唯一选择
机器学习
2026-05-12 v2 人工智能
多智能体系统
摘要
多智能体路径规划（Multi-Agent Path Finding, MAPF）是典型的多智能体协调问题，要求多个智能体在不发生碰撞的情况下导航至各自的目标。已知最优求解MAPF问题为NP难，导致采用学习方法以减轻在线计算负担。当前主流方法，如图神经网络 (GNN)，通常受限于智能体之间的两两消息传递。这一局限导致次优行为，尤其在密集环境中，群体（即超出两个智能体）协调最为关键时，容易出现注意力稀释等严重问题。尽管更高阶相互作用的重要性显而易见，现有方法尚未能充分探索其中。为解决这一表示瓶颈，我们引入HMAGAT（Hypergraph Multi-Agent Attention Network），一种新型架构，利用超图上的注意力机制显式捕获群体动态。经验性地，HMAGAT在学习型MAPF求解器中建立了新的最先进水平：例如，仅使用100倍更少的数据和106万参数，便超越了当前8500万参数的SoTA模型。通过对HMAGAT注意力值的详细分析，我们展示了超图表示如何缓解GNN中固有的注意力稀释问题，并捕获两两方法难以处理的复杂相互作用。我们的结果表明，合适的归纳偏置往往比训练数据规模或参数数量本身，对多智能体问题更为关键。
引用
@article{arxiv.2602.06733,
title = {Pairwise is Not Enough: Hypergraph Neural Networks for Multi-Agent Pathfinding},
author = {Rishabh Jain and Keisuke Okumura and Michael Amir and Pietro Lio and Amanda Prorok},
journal= {arXiv preprint arXiv:2602.06733},
year = {2026}
}
备注
Published at ICLR 2026