[论文解读] Graph Neural Networks for Learning Robot Team Coordination

Amanda Prorok|arXiv (Cornell University)|May 9, 2018

Distributed Control Multi-Agent Systems参考文献 10被引用 6

一句话总结

本文提出使用图神经网络（GNN）通过将机器人团队建模为图结构（机器人作为节点，通信链路作为边）来学习分布式协调机制。GNN 通过消息传递和可微分更新学习估计代数连通性——该指标对网络鲁棒性至关重要——即使在异构或故障条件下也能实现准确的局部估计。

ABSTRACT

This paper shows how Graph Neural Networks can be used for learning distributed coordination mechanisms in connected teams of robots. We capture the relational aspect of robot coordination by modeling the robot team as a graph, where each robot is a node, and edges represent communication links. During training, robots learn how to pass messages and update internal states, so that a target behavior is reached. As a proxy for more complex problems, this short paper considers the problem where each robot must locally estimate the algebraic connectivity of the team's network topology.

研究动机与目标

• 解决为异构或故障机器人团队设计鲁棒、分布式协调机制的挑战。
• 克服依赖理想化假设的定制化、应用特定的协调算法的局限性。
• 探索 GNN 是否能在无需系统性算法设计的情况下学习有效的协调机制。
• 证明使用 GNN 进行关键网络属性（如代数连通性）的分布式估计的可行性。
• 评估 GNN 基于协调机制在不同网络规模和消息传递持续时间下的泛化能力与性能。

提出的方法

• 将机器人团队建模为无向图，其中节点代表机器人，边代表通信链路。
• 采用具有消息传递的 GNN 框架：$ m_{v}^{t+1} = \sum_{w\in N(v)} M_t(h_v^t, h_w^t, e_{vw}) $，其中消息从邻居聚合而来。
• 通过可微分更新函数更新节点状态：$ h_v^{t+1} = U_t(h_v^t, m_v^{t+1}) $，使用 GRU 实现时间动态。
• 应用局部读出函数 $ \hat{\lambda}_{2,v} = R_v(h_v^T) $ 生成每个机器人对代数连通性的估计。
• 使用反向传播在 100,000 个大小为 9–11 个节点的随机强连通图上进行训练，损失函数为 $ \mathcal{L}_2 $。
• 在不同消息传递持续时间 $ T \in \{2,4,8\} $ 下，比较采用局部读出的分布式模型与采用全局读出的集中式模型。

实验结果

研究问题

• RQ1 GNN 是否能在不依赖手工设计算法的情况下，学习到有效的机器人团队分布式协调机制？
• RQ2 GNN 在去中心化方式下对机器人网络拓扑的代数连通性估计能力如何？
• RQ3 增加消息传递步数（$ T $）是否能提升分布式连通性估计的准确性？
• RQ4 在估计准确性方面，采用局部读出的 GNN 模型与采用全局读出的 GNN 模型相比表现如何？
• RQ5 训练后的 GNN 在未见的网络规模上泛化能力如何？

主要发现

• GNN 有效学习到以分布式方式估计代数连通性，采用局部读出的模型表现出具有竞争力的性能。
• 将消息传递持续时间 $ T $ 从 2 增加到 8，显著提升了局部和全局模型的估计准确性。
• 当 $ T=4 $ 时，局部 GNN 模型的表现优于 $ T=2 $ 的全局模型，表明消息传递深度可弥补缺乏全局信息的不足。
• 与全局模型相比，局部 GNN 模型在更大图上的泛化能力更强，且随着图规模超过训练范围，性能进一步提升。
• 全局 GNN 模型整体准确性优于局部模型，但局部模型展现出强大的泛化能力和可扩展性。
• 训练过程中 $ \mathcal{L}_1 $ 误差持续下降，表现最佳的模型（如局部 $ T=8 $）在未见图规模的验证集上实现了低误差。