Betrouwbare en efficiënte multi-agent coördinatie via grafische neuraal netwerk variatie-autoencoders

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

Samenvatting

Multi-agent coördinatie is cruciaal voor betrouwbare navigatie van meerdere robots in gedeelde ruimtes, zoals geautomatiseerde magazijnen. In gebieden met dicht robotverkeer kunnen lokale coördinatiemethoden falen om een deadlock-vrije oplossing te vinden. In deze scenario's is het gepast om een centrale eenheid een globaal schema te laten genereren dat de volgorde van de robots bepaalt. De uitvoeringstijd van dergelijke gecentraliseerde coördinatiemethoden neemt echter aanzienlijk toe met de schaal van het probleem. In dit artikel stellen we voor om Graph Neural Network Variational Autoencoders (GNN-VAE) te benutten om het multi-agent coördinatieprobleem op grote schaal sneller op te lossen dan via gecentraliseerde optimalisatie. We formuleren het coördinatieprobleem als een grafiekprobleem en verzamelen grondwaarheidsgegevens met behulp van een Mixed-Integer Linear Program (MILP) solver. Tijdens de training codeert ons leerraamwerk hoogwaardige oplossingen van het grafiekprobleem in een latente ruimte. Tijdens de inferentie worden oplossingsmonsters gedecodeerd uit de bemonsterde latente variabelen, en het monster met de laagste kosten wordt geselecteerd voor coördinatie. Ten slotte wordt het uitvoerbare voorstel met de hoogste prestatie-index geselecteerd voor implementatie. Door constructie retourneert ons GNN-VAE raamwerk oplossingen die altijd voldoen aan de beperkingen van het beschouwde coördinatieprobleem. Numerieke resultaten tonen aan dat onze aanpak, getraind op kleinschalige problemen, hoogwaardige oplossingen kan bereiken, zelfs voor grootschalige problemen met 250 robots, en veel sneller is dan andere baseline methoden. Projectpagina: 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