MAGNNET: Multi-Agent Graph Neural Network-based Efficient Task Allocation for Autonomous Vehicles with Deep Reinforcement Learning

要約

このペーパーでは、通信制約の下で動作する不均一なマルチエージェントシステム内の分散型タスク割り当ての課題に対処します。
グラフニューラルネットワーク（GNNS）を集中トレーニングと分散型実行（CTDE）パラダイムと統合する新しいフレームワークを紹介します。
私たちのアプローチにより、無人航空機（UAV）と無人の地上車両（UGV）は、3Dグリッド環境で中央の調整を必要とせずにタスクを効率的に配分することができます。
このフレームワークは、総移動時間を最小限に抑えながら、タスクの割り当ての競合を同時に回避します。
コストの計算とルーティングには、予約ベースのA*およびR*パスプランナーを採用しています。
実験結果は、私たちの方法が、集中型ハンガリーの方法と比較して7.49％のパフォーマンスギャップしかない92.5％の競合のない成功率を達成することを明らかにしました。
さらに、このフレームワークは、2.8秒の割り当て処理と動的に生成されたタスクに応答する堅牢性を持つ最大20エージェントのスケーラビリティを示し、複雑なマルチエージェントシナリオでの実際のアプリケーションの可能性を強調しています。

要約(オリジナル)

This paper addresses the challenge of decentralized task allocation within heterogeneous multi-agent systems operating under communication constraints. We introduce a novel framework that integrates graph neural networks (GNNs) with a centralized training and decentralized execution (CTDE) paradigm, further enhanced by a tailored Proximal Policy Optimization (PPO) algorithm for multi-agent deep reinforcement learning (MARL). Our approach enables unmanned aerial vehicles (UAVs) and unmanned ground vehicles (UGVs) to dynamically allocate tasks efficiently without necessitating central coordination in a 3D grid environment. The framework minimizes total travel time while simultaneously avoiding conflicts in task assignments. For the cost calculation and routing, we employ reservation-based A* and R* path planners. Experimental results revealed that our method achieves a high 92.5% conflict-free success rate, with only a 7.49% performance gap compared to the centralized Hungarian method, while outperforming the heuristic decentralized baseline based on greedy approach. Additionally, the framework exhibits scalability with up to 20 agents with allocation processing of 2.8 s and robustness in responding to dynamically generated tasks, underscoring its potential for real-world applications in complex multi-agent scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google