Coordinación fiable y eficiente de múltiples agentes mediante Redes Neuronales de Grafos y Autoencoders Variacionales

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

March 4, 2025

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

cs.AI

Resumen

La coordinación multiagente es crucial para una navegación fiable de múltiples robots en espacios compartidos, como almacenes automatizados. En regiones con tráfico denso de robots, los métodos de coordinación local pueden fallar al encontrar una solución libre de bloqueos. En estos escenarios, es apropiado que una unidad central genere un horario global que decida el orden de paso de los robots. Sin embargo, el tiempo de ejecución de estos métodos de coordinación centralizada aumenta significativamente con la escala del problema. En este artículo, proponemos aprovechar las Redes Neuronales de Grafos con Autoencoders Variacionales (GNN-VAE) para resolver el problema de coordinación multiagente a gran escala más rápido que mediante optimización centralizada. Formulamos el problema de coordinación como un problema de grafos y recopilamos datos de referencia utilizando un solucionador de Programación Lineal Entera Mixta (MILP). Durante el entrenamiento, nuestro marco de aprendizaje codifica soluciones de alta calidad del problema de grafos en un espacio latente. En el momento de la inferencia, se decodifican muestras de soluciones a partir de las variables latentes muestreadas, y se selecciona la muestra de menor costo para la coordinación. Finalmente, se selecciona la propuesta factible con el índice de rendimiento más alto para su implementación. Por construcción, nuestro marco GNN-VAE devuelve soluciones que siempre respetan las restricciones del problema de coordinación considerado. Los resultados numéricos muestran que nuestro enfoque, entrenado en problemas de pequeña escala, puede lograr soluciones de alta calidad incluso para problemas a gran escala con 250 robots, siendo mucho más rápido que otros métodos de referencia. Página del proyecto: 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