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

本研究提出了一种组合模型，结合卷积神经网络和图神经网络，用于多机器人路径规划中的通讯问题，并在模拟中取得了接近专家算法的性能和有效性。

Dec, 2019

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

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。

May, 2018

本文介绍了一种名为 NeuralCoMapping 的算法，通过将多机器人建图问题转化为二分图匹配，并使用多通道图神经网络来简化亲和矩阵的填充过程，同时通过增强学习来优化线性分配层，该算法能够在较短时间内完成完整的地图构建，同时在各种室内场景和未见过的机器人数量上获得卓越的性能和通用性。

Mar, 2022

该研究针对大规模多智能体系统，建立一种基于完全图的游戏抽象机制，以简化学习过程，并通过交通路口和猎物 - 捕食者两种实验验证其在状态空间和收敛性能上的优势。

Nov, 2019

本文提出利用建筑计划解决机器人的定位问题，通过 A-Graph 转化建筑平面图，对机器人感知到的 S-Graph 进行图对图匹配，得到全局的机器人定位信息，实现利用建筑计划进行机器人定位。

Mar, 2023

本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

该论文介绍了一种使用图强化学习 (GRL) 框架来学习多机器人任务分配 (MRTA) 的启发式或激励的方法，其中使用胶囊注意力策略模型来学习如何赋予任务 / 机器人配对 (边) 在将任务集与机器人集连接的二分图中的权重。该方法与使用专家指定启发式的原始二分图匹配方法性能相当，但具有显著的鲁棒性优势。在训练过程中，学到的激励策略与专家指定的激励策略初始接近，然后稍微偏离其趋势。

Mar, 2024

通过异步交互聚合网络 (AIA) 和交互聚合结构 (IA) 进行多类型交互模型和整合，以及异步记忆更新算法 (AMU)，动态建模长期交互，极大地提高了视频动作检测的性能，并在 AVA 数据集上实现了新的最佳性能。

Apr, 2020