基于偏度驱动的超图网络 SDHN 以提升局部多机器人协调
机器人学
2025-08-01 v2 多智能体系统
摘要
多智能体强化学习广泛用于多机器人协调，其中简单图通常用于建模两两互动。然而，这些表示法无法捕捉更高阶的合作，限制了在复杂任务中的效果。虽然超图方法增强了合作，但现有方法常生成任意的超图结构且缺乏对环境不确定性的适应性。为此，我们提出了 Skewness-Driven Hypergraph Network (SDHN)，其采用随机伯努利超边显式建模更高阶的多机器人互动。通过引入偏度损失，SDHN 促进具有 Small-Hyperedge Dominant Hypergraph 结构的高效结构，使机器人能够优先进行局部同步，同时仍遵循整体信息，类似于人类的协调方式。在 Moving Agents in Formation 和 Robotic Warehouse 等大量实验中验证了 SDHN 的有效性，结果表明其在 state-of-the-art baseline 方面表现优异。
引用
@article{arxiv.2504.06684,
title = {SDHN: Skewness-Driven Hypergraph Networks for Enhanced Localized Multi-Robot Coordination},
author = {Delin Zhao and Yanbo Shan and Chang Liu and Shenghang Lin and Yingxin Shou and Bin Xu},
journal= {arXiv preprint arXiv:2504.06684},
year = {2025}
}