[论文解读] Message-Aware Graph Attention Networks for Large-Scale Multi-Robot Path Planning

Qingbiao Li, Weizhe Lin+2 more|arXiv (Cornell University)|Nov 26, 2020

Advanced Graph Neural Networks参考文献 20被引用 13

一句话总结

该论文提出了一种新型图神经网络——消息感知图注意力网络（MAGAT），其采用类似键-查询的注意力机制，使机器人在去中心化路径规划中能够优先处理关键信息。在超大规模实例（比训练数据大100倍）上，MAGAT的性能比基线模型高出47%，展现出在动态、通信受限环境中的强大泛化能力与可扩展性。

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 $ imes$100 larger than the training instances.

研究动机与目标

• 解决大规模去中心化多机器人路径规划中低效且冗余的机器人间通信问题。
• 通过使智能体能够优先处理邻居传递的重要信息，改进图神经网络（GNN）中的消息聚合。
• 开发一种通信高效、可扩展且泛化能力强的框架，使其在未见过的大规模问题实例上表现优异。
• 通过引入跳跃连接的瓶颈结构，保留自信息，实现在有限通信带宽下的高性能。
• 证明模型在不同机器人密度、地图尺寸以及远超训练数据规模的极端扩展场景下具备泛化能力。

提出的方法

• 提出一种类似键-查询的注意力机制，基于传入消息与当前智能体状态的相关性计算注意力分数。
• 设计一种消息感知图注意力层，根据邻居信息的重要性动态加权特征，提升信息选择能力。
• 证明理论性质：置换等变性与时间不变性，确保在动态通信图上的鲁棒性。
• 实现一种跳跃连接的瓶颈结构，在带宽受限下减小共享特征尺寸的同时，保留关键自信息。
• 采用多头注意力机制，设置P=4个并行头，使各注意力头可聚焦于节点特征的不同子空间，增强表征能力。
• 在小规模实例（20×20网格，10个机器人）上训练模型，并在无需微调的情况下评估其在大规模地图（最大200×200，1000个机器人）上的泛化性能。

实验结果

研究问题

• RQ1 图神经网络中引入消息感知注意力机制，能否提升去中心化多机器人路径规划中机器人间通信的有效性？
• RQ2 在通信带宽受限条件下，MAGAT的性能表现如何？跳跃连接的瓶颈结构是否能在最小化数据传输的同时保持性能？
• RQ3 在训练数据规模的100倍以上的大规模场景下，仅在小规模实例上训练的模型在成功率和流程时间方面能实现多大程度的泛化？
• RQ4 MAGAT中的多头注意力机制是否能在不同机器人密度和地图配置下带来性能提升？
• RQ5 在大规模地图上，MAGAT与集中式专家算法及基线GNN模型相比，在可扩展性、成功率和计算效率方面表现如何？

主要发现

• 在200×200地图上，MAGAT在1000个机器人场景下的成功率比基线模型高出47%，该场景规模为训练实例的100倍。
• 即使仅在20×20地图（10个机器人）上进行训练，MAGAT-B-32-P4在200×200地图（1000个机器人）上的成功率仍超过80%，且计算时间仅为集中式专家算法的1/30。
• 模型在所有测试的机器人密度和地图尺寸下均保持高性能，50×50地图（100个机器人）下流程时间增加低于0.065。
• 多头注意力变体（P=4）始终优于单头模型，在50×50、100个机器人的场景中达到95%的成功率。
• 所有测试案例中至少98.6%的机器人成功抵达目标，MAGAT在100×100地图（500个机器人）上实现99.6%的成功率，优于基线GNN模型。
• 跳跃连接的瓶颈结构在带宽受限条件下实现了稳定性能，有效保留模型精度的同时最小化共享特征尺寸。