Zuverlässige und effiziente Multi-Agenten-Koordination mittels Graph-Neural-Network-Variational-Autoencodern

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

March 4, 2025

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

cs.AI

Zusammenfassung

Die Koordination mehrerer Agenten ist entscheidend für eine zuverlässige Navigation von Multi-Robotern in gemeinsamen Räumen wie automatisierten Lagern. In Bereichen mit hohem Roboteraufkommen können lokale Koordinationsmethoden versagen, eine deadlockfreie Lösung zu finden. In solchen Szenarien ist es angemessen, eine zentrale Einheit einen globalen Zeitplan erstellen zu lassen, der die Durchfahrtsreihenfolge der Roboter festlegt. Allerdings steigt die Laufzeit solcher zentralisierten Koordinationsmethoden erheblich mit der Problemgröße. In diesem Artikel schlagen wir vor, Graph Neural Network Variational Autoencoders (GNN-VAE) zu nutzen, um das Multi-Agenten-Koordinationsproblem in großem Maßstab schneller zu lösen als durch zentralisierte Optimierung. Wir formulieren das Koordinationsproblem als Graphproblem und sammeln Ground-Truth-Daten mit einem Mixed-Integer Linear Program (MILP)-Solver. Während des Trainings kodiert unser Lernframework qualitativ hochwertige Lösungen des Graphproblems in einen latenten Raum. Zum Inferenzzeitpunkt werden Lösungssamples aus den abgetasteten latenten Variablen dekodiert, und das Sample mit den niedrigsten Kosten wird für die Koordination ausgewählt. Schließlich wird der praktikable Vorschlag mit dem höchsten Leistungsindex für die Implementierung ausgewählt. Durch die Konstruktion liefert unser GNN-VAE-Framework Lösungen, die stets die Einschränkungen des betrachteten Koordinationsproblems respektieren. Numerische Ergebnisse zeigen, dass unser Ansatz, der an kleinen Problemen trainiert wurde, auch für großskalige Probleme mit 250 Robotern hochwertige Lösungen erzielen kann und dabei deutlich schneller ist als andere Baseline-Methoden. Projektseite: 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