論文の概要: Message-Aware Graph Attention Networks for Large-Scale Multi-Robot Path Planning

• arxiv url: http://arxiv.org/abs/2011.13219v2
• Date: Sun, 25 Apr 2021 11:40:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 08:48:14.346828
• Title: Message-Aware Graph Attention Networks for Large-Scale Multi-Robot Path Planning
• Title（参考訳）: 大規模マルチロボット経路計画のためのメッセージアウェアグラフアテンションネットワーク
• Authors: Qingbiao Li, Weizhe Lin, Zhe Liu, Amanda Prorok
• Abstract要約: グラフニューラルネットワーク(GNN)は、分散マルチエージェントシステムにおける通信ポリシの学習能力から人気を集めている。 我々は、メッセージ依存の注意を喚起するための新しいメカニズムを取り入れることで、GNNをマルチエージェントパス計画に活用する以前の作業を拡張した。 我々のメッセージ対応グラフ注意neTwork(MAGAT)は、近隣のロボットから受信したメッセージにおける特徴の相対的重要性を決定するキークエリライクなメカニズムに基づいている。
• 参考スコア（独自算出の注目度）: 12.988435681305281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The domains of transport and logistics are increasingly relying on autonomous mobile robots for the handling and distribution of passengers or resources. At large system scales, finding decentralized path planning and coordination solutions is key to efficient system performance. Recently, Graph Neural Networks (GNNs) have become popular due to their ability to learn communication policies in decentralized multi-agent systems. Yet, vanilla GNNs rely on simplistic message aggregation mechanisms that prevent agents from prioritizing important information. To tackle this challenge, in this paper, we extend our previous work that utilizes GNNs in multi-agent path planning by incorporating a novel mechanism to allow for message-dependent attention. Our Message-Aware Graph Attention neTwork (MAGAT) is based on a key-query-like mechanism that determines the relative importance of features in the messages received from various neighboring robots. We show that MAGAT is able to achieve a performance close to that of a coupled centralized expert algorithm. Further, ablation studies and comparisons to several benchmark models show that our attention mechanism is very effective across different robot densities and performs stably in different constraints in communication bandwidth. Experiments demonstrate that our model is able to generalize well in previously unseen problem instances, and that it achieves a 47\% improvement over the benchmark success rate, even in very large-scale instances that are $\times$100 larger than the training instances.
• Abstract（参考訳）: 輸送と物流の分野は、乗客やリソースの取扱いと流通のために自律移動ロボットにますます依存している。 大規模なシステムスケールでは、分散型パス計画と調整ソリューションを見つけることが、効率的なシステムパフォーマンスの鍵となる。 近年,分散マルチエージェントシステムにおける通信ポリシの学習能力から,グラフニューラルネットワーク(GNN)が普及している。 しかし、バニラGNNは、エージェントが重要な情報を優先順位付けするのを防ぐ単純なメッセージ集約機構に依存している。 この課題に対処するため,本稿では,メッセージ依存の注意を喚起するための新しいメカニズムを導入して,GNNをマルチエージェントパス計画に活用する作業を拡張した。 我々のメッセージ対応グラフ注意neTwork(MAGAT)は、近隣のロボットから受信したメッセージにおける特徴の相対的重要性を決定するキークエリライクなメカニズムに基づいている。 MAGATは,集中型エキスパートアルゴリズムに近い性能を達成可能であることを示す。 さらに,複数のベンチマークモデルとの比較により,我々の注意機構はロボットの密度によって非常に効果的であり,通信帯域幅の制約によって安定に機能することが示された。 実験により、我々のモデルは、未確認の問題インスタンスでうまく一般化でき、ベンチマーク成功率よりも475%向上し、訓練インスタンスよりも$\times$100大きい非常に大規模なインスタンスでも達成できることが示された。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Generalizability of Graph Neural Networks for Decentralized Unlabeled Motion Planning [72.86540018081531]
  ラベルなしの動作計画では、衝突回避を確保しながら、ロボットのセットを目標の場所に割り当てる。 この問題は、探査、監視、輸送などの応用において、マルチロボットシステムにとって不可欠なビルディングブロックを形成している。 この問題に対処するために、各ロボットは、その400ドルのアネレストロボットと$k$アネレストターゲットの位置のみを知っている分散環境で対処する。
  論文  参考訳（メタデータ） (2024-09-29T23:57:25Z)
• Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach [12.451324619122405]
  本稿では,コミュニケーションのオーバーヘッドを低減しつつ,鍵情報を保持するタスク中心のより小さなサブグラフを抽出する手法を提案する。 提案手法では,グラフニューラルネットワーク(GNN)とグラフ情報ボトルネック(GIB)の原理を用いて,伝達に適したコンパクトで情報的,堅牢なグラフ表現を生成する。
  論文  参考訳（メタデータ） (2024-09-04T14:01:56Z)
• Graph Neural Networks with Model-based Reinforcement Learning for Multi-agent Systems [11.893324664457548]
  マルチエージェントシステム(MAS)は、マシンインテリジェンスと高度な応用を探索する上で重要な役割を果たしている。 モデルベース強化学習を用いた状態空間グラフニューラルネットワークを用いて,特定のMASミッションに対処する"GNN for MBRL"モデルを提案する。 具体的には,まずGNNモデルを用いて,複数のエージェントの将来の状態や軌道を予測し,次にCEM(Cross-Entropy Method)最適化モデル予測制御を適用して,エゴエージェント計画動作を支援し,特定のMASタスクの達成に成功した。
  論文  参考訳（メタデータ） (2024-07-12T13:21:35Z)
• Collaborative Information Dissemination with Graph-based Multi-Agent Reinforcement Learning [2.9904113489777826]
  本稿では,効率的な情報伝達のためのマルチエージェント強化学習(MARL)手法を提案する。 本稿では,各エージェントが個別にメッセージ転送を決定するための情報発信のための部分観測可能なゲーム(POSG)を提案する。 実験の結果,既存の手法よりも訓練済みの方針が優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-25T21:30:16Z)
• Graph Neural Networks for Multi-Robot Active Information Acquisition [15.900385823366117]
  基礎となるグラフを通して通信する移動ロボットのチームは、興味のある現象を表す隠れた状態を推定する。 既存のアプローチはスケーラブルではないか、動的現象に対処できないか、あるいは通信グラフの変化に対して堅牢でないかのどちらかです。 本稿では,グラフ表現上に情報を集約し,逐次決定を分散的に行う情報対応グラフブロックネットワーク(I-GBNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-24T21:45:06Z)
• Multi-agent Communication with Graph Information Bottleneck under Limited Bandwidth (a position paper) [92.11330289225981]
  多くの実世界のシナリオでは、通信は高価であり、マルチエージェントシステムの帯域幅には一定の制約がある。 通信資源を占有する冗長なメッセージは、情報的メッセージの送信をブロックし、パフォーマンスを損なう。 本稿では,通信グラフ内の構造情報とノード情報を効果的に圧縮し,帯域幅に制約のある設定に対処する,新しいマルチエージェント通信モジュールCommGIBを提案する。
  論文  参考訳（メタデータ） (2021-12-20T07:53:44Z)
• Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks [208.15591625749272]
  視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。 我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。 我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
  論文  参考訳（メタデータ） (2021-06-24T23:57:21Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。