ICMLMay, 2018
用于学习机器人团队协调的图神经网络
Graph Neural Networks for Learning Robot Team Coordination
Amanda Prorok
TL;DR本文展示了如何利用图神经网络来学习连接的机器人团队的分布式协调机制，并通过将机器人队伍建模为图形来捕捉机器人协调的关系。训练过程中，机器人学习如何传递信息和更新内部状态，以达到目标行为，然后通过局部估计团队网络拓扑的代理方法来考虑更复杂的问题。
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
发现论文，激发创造
机器人中的图学习：一项调研
在这篇论文中，通过对图神经结构进行综述，从机器人的角度探索了图学习在机器人应用中的潜力、挑战和各种应用案例，以期为读者提供深入的了解，并为未来的研究指明可能的方向。
Oct, 2023
在多机器人网络中，从节点轨迹中学习识别图形
该研究提出了一种基于学习的方法，结合了强凸规划和自注意力编码器，可以有效地揭示图的拓扑结构以及预测适当的正则化参数，从而解决了网络配置不同的情况下图拓扑的识别问题。
Jul, 2023
基于图表征学习的团队绩效建模
提出了一种基于图神经网络的模型，通过采用三种不同的网络结构：拓扑学、中心性和语境，结合两种注意机制，确定确定团队成功的关键成员，并量化三个因素对团队绩效的贡献；该模型在预测团队绩效方面表现出色，并在合成数据集上进行了验证，证明其性能优于基线模型。
Jun, 2022
基于图神经网络的多机器人协同感知
本文提出了一种通用的图神经网络（GNN），旨在通过协同感知能力，提高多机器人视觉感知任务的单个机器人推断感知准确性，并提高其对传感器故障和扰动的恢复能力。该方法已在多种实验场景中进行了验证。
Jan, 2022
合作图神经网络
图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一；本文提出了一个新的框架，用于训练图神经网络，其中每个节点可以选择自己的策略，从而更灵活地探索图拓扑结构并进行学习。
Oct, 2023
使用图神经网络联合交互和轨迹预测自动驾驶
本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。
Dec, 2019
图神经网络是动态规划程序员
本文研究了神经算法推理与图神经网络的最新进展，特别关注神经网络的动态规划以及范畴论和抽象代数，验证了它们之间的内在联系，得到在边缘任务上更坚实的 GNN 体系结构，并在 CLRS 算法推理基准测试中证明了实证结果。
Mar, 2022