Coordinazione Affidabile ed Efficiente di Multi-Agenti tramite Reti Neurali Grafiche Autoencoder Variazionali

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

March 4, 2025

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

cs.AI

Abstract

La coordinazione multi-agente è cruciale per una navigazione affidabile di robot multipli in spazi condivisi come i magazzini automatizzati. Nelle regioni con traffico intenso di robot, i metodi di coordinazione locale potrebbero non riuscire a trovare una soluzione priva di deadlock. In questi scenari, è appropriato far generare a un'unità centrale un programma globale che determini l'ordine di passaggio dei robot. Tuttavia, il tempo di esecuzione di tali metodi di coordinazione centralizzati aumenta significativamente con la scala del problema. In questo articolo, proponiamo di sfruttare le Reti Neurali Grafiche con Autoencoder Variazionale (GNN-VAE) per risolvere il problema della coordinazione multi-agente su larga scala più velocemente rispetto all'ottimizzazione centralizzata. Formuliamo il problema di coordinazione come un problema su grafo e raccogliamo dati di verità utilizzando un risolutore di Programmazione Lineare Intera Mista (MILP). Durante l'addestramento, il nostro framework di apprendimento codifica soluzioni di alta qualità del problema su grafo in uno spazio latente. Al momento dell'inferenza, i campioni di soluzione vengono decodificati dalle variabili latenti campionate, e il campione con il costo più basso viene selezionato per la coordinazione. Infine, la proposta fattibile con l'indice di prestazione più alto viene selezionata per il dispiegamento. Per costruzione, il nostro framework GNN-VAE restituisce soluzioni che rispettano sempre i vincoli del problema di coordinazione considerato. I risultati numerici mostrano che il nostro approccio, addestrato su problemi di piccola scala, può ottenere soluzioni di alta qualità anche per problemi su larga scala con 250 robot, essendo molto più veloce rispetto ad altri metodi di riferimento. Pagina del progetto: 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