SDHN: Skewness-Driven Hypergraph Networks for Enhanced Localized Multi-Robot Coordination

要約

マルチエージェント補強学習は、単純なグラフが通常、ペアワイズの相互作用をモデル化するマルチロボット調整に広く使用されています。
ただし、このような表現は、より高いオーダーのコラボレーションをキャプチャすることができず、複雑なタスクの有効性が制限されます。
ハイパーグラフベースのアプローチは協力を強化しますが、既存の方法はしばしば任意のハイパーグラフ構造を生成し、環境不確実性に対する適応性を欠いています。
これらの課題に対処するために、確率的ベルヌーリハイペレッジを使用して高次のマルチロボット相互作用を明示的にモデル化する歪度駆動型ハイパーグラフネットワーク（SDHN）を提案します。
Sdhnは、歪度損失を導入することにより、小型高級の優性ハイパーグラフで効率的な構造を促進し、ロボットが人間の調整と同様に全体的な情報を遵守しながら局所的な同期を優先することができます。
フォーメーションおよびロボット倉庫タスクの移動剤に関する広範な実験は、SDHNの有効性を検証し、最先端のベースラインよりも優れたパフォーマンスを示しています。

要約(オリジナル)

Multi-Agent Reinforcement Learning is widely used for multi-robot coordination, where simple graphs typically model pairwise interactions. However, such representations fail to capture higher-order collaborations, limiting effectiveness in complex tasks. While hypergraph-based approaches enhance cooperation, existing methods often generate arbitrary hypergraph structures and lack adaptability to environmental uncertainties. To address these challenges, we propose the Skewness-Driven Hypergraph Network (SDHN), which employs stochastic Bernoulli hyperedges to explicitly model higher-order multi-robot interactions. By introducing a skewness loss, SDHN promotes an efficient structure with Small-Hyperedge Dominant Hypergraph, allowing robots to prioritize localized synchronization while still adhering to the overall information, similar to human coordination. Extensive experiments on Moving Agents in Formation and Robotic Warehouse tasks validate SDHN’s effectiveness, demonstrating superior performance over state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google