신뢰할 수 있고 효율적인 다중 에이전트 조정을 위한 그래프 신경망 변분 오토인코더

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

March 4, 2025

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

cs.AI

초록

다중 에이전트 조정은 자동화된 창고와 같은 공유 공간에서 신뢰할 수 있는 다중 로봇 내비게이션에 있어 핵심적인 요소입니다. 로봇 교통이 밀집된 지역에서는 지역적 조정 방법이 교착 상태 없는 해결책을 찾지 못할 수 있습니다. 이러한 시나리오에서는 중앙 장치가 로봇들의 통과 순서를 결정하는 전역 일정을 생성하는 것이 적절합니다. 그러나 이러한 중앙 집중식 조정 방법의 실행 시간은 문제 규모가 커짐에 따라 크게 증가합니다. 본 논문에서는 그래프 신경망 변이형 오토인코더(GNN-VAE)를 활용하여 중앙 집중식 최적화보다 빠르게 대규모 다중 에이전트 조정 문제를 해결하는 방법을 제안합니다. 우리는 조정 문제를 그래프 문제로 공식화하고 혼합 정수 선형 계획법(MILP) 솔버를 사용하여 실측 데이터를 수집합니다. 학습 과정에서 우리의 학습 프레임워크는 그래프 문제의 고품질 해결책을 잠재 공간으로 인코딩합니다. 추론 시에는 샘플링된 잠재 변수에서 해결책 샘플을 디코딩하고, 가장 낮은 비용의 샘플을 조정을 위해 선택합니다. 마지막으로, 가장 높은 성능 지수를 가진 실행 가능한 제안이 배포를 위해 선택됩니다. 우리의 GNN-VAE 프레임워크는 고려된 조정 문제의 제약 조건을 항상 준수하는 해결책을 반환하도록 구성되었습니다. 수치적 결과는 소규모 문제에 대해 훈련된 우리의 접근 방식이 250대의 로봇을 포함한 대규모 문제에 대해서도 고품질의 해결책을 달성할 수 있으며, 다른 기준선보다 훨씬 빠르다는 것을 보여줍니다. 프로젝트 페이지: 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