Надежная и эффективная координация многоагентных систем с использованием графовых нейронных сетей и вариационных автоэнкодеров

Reliable and Efficient Multi-Agent Coordination via Graph Neural Network Variational Autoencoders

March 4, 2025

Авторы: Yue Meng, Nathalie Majcherczyk, Wenliang Liu, Scott Kiesel, Chuchu Fan, Federico Pecora

cs.AI

Аннотация

Координация множества агентов имеет решающее значение для надежной навигации нескольких роботов в общих пространствах, таких как автоматизированные склады. В зонах с высокой плотностью движения роботов локальные методы координации могут не найти решения, свободного от тупиков. В таких сценариях целесообразно поручить центральному модулю создание глобального расписания, определяющего порядок прохождения роботов. Однако время выполнения таких централизованных методов координации значительно возрастает с увеличением масштаба задачи. В данной статье мы предлагаем использовать Графовые Нейронные Сети с Вариационными Автокодировщиками (GNN-VAE) для решения задачи координации множества агентов в масштабе быстрее, чем с помощью централизованной оптимизации. Мы формулируем задачу координации как графовую проблему и собираем эталонные данные с использованием решателя смешанного целочисленного линейного программирования (MILP). В процессе обучения наша обучающая структура кодирует качественные решения графовой проблемы в латентное пространство. На этапе вывода образцы решений декодируются из выбранных латентных переменных, и выбирается образец с наименьшей стоимостью для координации. Наконец, для развертывания выбирается выполнимое предложение с наивысшим индексом производительности. По своей конструкции наша структура GNN-VAE возвращает решения, которые всегда учитывают ограничения рассматриваемой задачи координации. Численные результаты показывают, что наш подход, обученный на задачах малого масштаба, может достигать высококачественных решений даже для задач крупного масштаба с 250 роботами, значительно превосходя по скорости другие базовые методы. Страница проекта: https://mengyuest.github.io/gnn-vae-coord

English

Multi-agent coordination is crucial for reliable multi-robot navigation in shared spaces such as automated warehouses. In regions of dense robot traffic, local coordination methods may fail to find a deadlock-free solution. In these scenarios, it is appropriate to let a central unit generate a global schedule that decides the passing order of robots. However, the runtime of such centralized coordination methods increases significantly with the problem scale. In this paper, we propose to leverage Graph Neural Network Variational Autoencoders (GNN-VAE) to solve the multi-agent coordination problem at scale faster than through centralized optimization. We formulate the coordination problem as a graph problem and collect ground truth data using a Mixed-Integer Linear Program (MILP) solver. During training, our learning framework encodes good quality solutions of the graph problem into a latent space. At inference time, solution samples are decoded from the sampled latent variables, and the lowest-cost sample is selected for coordination. Finally, the feasible proposal with the highest performance index is selected for the deployment. By construction, our GNN-VAE framework returns solutions that always respect the constraints of the considered coordination problem. Numerical results show that our approach trained on small-scale problems can achieve high-quality solutions even for large-scale problems with 250 robots, being much faster than other baselines. Project page: https://mengyuest.github.io/gnn-vae-coord