Coordenação Confiável e Eficiente de Multiagentes por meio de Redes Neurais em Grafos e Autoencoders Variacionais

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

March 4, 2025

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

cs.AI

Resumo

A coordenação multiagente é crucial para uma navegação confiável de múltiplos robôs em espaços compartilhados, como armazéns automatizados. Em regiões com tráfego intenso de robôs, métodos de coordenação local podem falhar em encontrar uma solução livre de impasses. Nesses cenários, é apropriado que uma unidade central gere um cronograma global que determine a ordem de passagem dos robôs. No entanto, o tempo de execução desses métodos de coordenação centralizada aumenta significativamente com a escala do problema. Neste artigo, propomos utilizar Graph Neural Network Variational Autoencoders (GNN-VAE) para resolver o problema de coordenação multiagente em escala de forma mais rápida do que através da otimização centralizada. Formulamos o problema de coordenação como um problema de grafos e coletamos dados de referência utilizando um solver de Programação Linear Inteira Mista (MILP). Durante o treinamento, nosso framework de aprendizado codifica soluções de alta qualidade do problema de grafos em um espaço latente. No momento da inferência, amostras de soluções são decodificadas a partir das variáveis latentes amostradas, e a amostra de menor custo é selecionada para coordenação. Por fim, a proposta viável com o maior índice de desempenho é selecionada para implantação. Por construção, nosso framework GNN-VAE retorna soluções que sempre respeitam as restrições do problema de coordenação considerado. Resultados numéricos mostram que nossa abordagem, treinada em problemas de pequena escala, pode alcançar soluções de alta qualidade mesmo para problemas de grande escala com 250 robôs, sendo muito mais rápida do que outras abordagens de referência. Página do projeto: 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