Coordination fiable et efficace entre agents multiples via des autoencodeurs variationnels de réseaux de neurones graphiques

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

March 4, 2025

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

cs.AI

Résumé

La coordination multi-agent est cruciale pour une navigation fiable des robots multiples dans des espaces partagés tels que les entrepôts automatisés. Dans les zones à forte densité de trafic robotique, les méthodes de coordination locale peuvent échouer à trouver une solution sans interblocage. Dans ces scénarios, il est approprié de laisser une unité centrale générer un planning global qui décide de l'ordre de passage des robots. Cependant, le temps d'exécution de ces méthodes de coordination centralisées augmente considérablement avec l'échelle du problème. Dans cet article, nous proposons d'exploiter les Graph Neural Network Variational Autoencoders (GNN-VAE) pour résoudre le problème de coordination multi-agent à grande échelle plus rapidement qu'avec une optimisation centralisée. Nous formulons le problème de coordination comme un problème de graphe et collectons des données de référence en utilisant un solveur de Programmation Linéaire en Nombres Entiers (MILP). Pendant l'entraînement, notre cadre d'apprentissage encode des solutions de haute qualité du problème de graphe dans un espace latent. Au moment de l'inférence, des échantillons de solutions sont décodés à partir des variables latentes échantillonnées, et l'échantillon de plus faible coût est sélectionné pour la coordination. Enfin, la proposition réalisable avec l'indice de performance le plus élevé est sélectionnée pour le déploiement. Par construction, notre cadre GNN-VAE retourne des solutions qui respectent toujours les contraintes du problème de coordination considéré. Les résultats numériques montrent que notre approche, entraînée sur des problèmes à petite échelle, peut atteindre des solutions de haute qualité même pour des problèmes à grande échelle avec 250 robots, étant beaucoup plus rapide que les autres méthodes de référence. Page du projet : 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