基于图神经网络变分自编码器的可靠高效多智能体协调
机器人学
2025-03-06 v1 人工智能
机器学习
多智能体系统
摘要
多智能体协调对于共享空间（如自动化仓库）中可靠的多机器人导航至关重要。在密集机器人交通区域，局部协调方法可能无法找到无死锁的解决方案。在这些场景中，让中央单元生成决定机器人通行顺序的全局调度是合适的。然而，此类集中式协调方法的运行时间随问题规模显著增加。在本文中，我们提出利用图神经网络变分自编码器（GNN-VAE）来大规模求解多智能体协调问题，其速度优于集中式优化。我们将协调问题建模为图问题，并使用混合整数线性规划（MILP）求解器收集真实数据。训练过程中，我们的学习框架将图问题的高质量解编码到潜在空间中。在推理时，从采样的潜在变量中解码解样本，并选择成本最低的样本用于协调。最后，选择性能指标最高的可行方案进行部署。由构造可知，我们的GNN-VAE框架返回的解始终满足所考虑协调问题的约束。数值结果表明，我们的方法在小规模问题上训练后，即使对于包含250个机器人的大规模问题也能达到高质量解，且远快于其他基线方法。项目页面：https://mengyuest.github.io/gnn-vae-coord
引用
@article{arxiv.2503.02954,
title = {Reliable and Efficient Multi-Agent Coordination via Graph Neural Network Variational Autoencoders},
author = {Yue Meng and Nathalie Majcherczyk and Wenliang Liu and Scott Kiesel and Chuchu Fan and Federico Pecora},
journal= {arXiv preprint arXiv:2503.02954},
year = {2025}
}
备注
Accepted by 2025 International Conference on Robotics and Automation (ICRA 2025)