信頼性と効率性を兼ね備えたグラフニューラルネットワークによるマルチエージェント協調 変分オートエンコーダ

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

March 4, 2025

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

cs.AI

要旨

マルチエージェント協調は、自動化倉庫などの共有空間における信頼性の高いマルチロボットナビゲーションにおいて極めて重要です。ロボットの交通密度が高い領域では、局所的な協調手法ではデッドロックのない解決策を見つけられない場合があります。このようなシナリオでは、中央ユニットがロボットの通過順序を決定するグローバルスケジュールを生成することが適切です。しかし、このような集中型協調手法の実行時間は問題の規模に応じて大幅に増加します。本論文では、Graph Neural Network Variational Autoencoder（GNN-VAE）を活用して、集中型最適化よりも高速に大規模なマルチエージェント協調問題を解決することを提案します。協調問題をグラフ問題として定式化し、Mixed-Integer Linear Program（MILP）ソルバーを使用してグラウンドトゥルースデータを収集します。トレーニング中、我々の学習フレームワークはグラフ問題の高品質な解決策を潜在空間にエンコードします。推論時には、サンプリングされた潜在変数から解決策サンプルをデコードし、最低コストのサンプルを協調のために選択します。最後に、最高のパフォーマンス指標を持つ実行可能な提案が展開のために選択されます。構成的に、我々のGNN-VAEフレームワークは、考慮された協調問題の制約を常に尊重する解決策を返します。数値結果は、小規模問題でトレーニングされた我々のアプローチが、250台のロボットを伴う大規模問題に対しても高品質な解決策を達成できることを示しており、他のベースラインよりもはるかに高速です。プロジェクトページ: 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