Feb, 2023

高级空中机动的图形关注多智能体车队自治

PDF
TL;DR介绍了部分可观察的先进空中移动游戏的概念，提出了一种新的异构图注意力编码器 - 解码器 (HetGAT Enc-Dec) 神经网络，以构建可推广的随机策略来协调机动车辆代理，此政策通过深度一致性学习进行训练，使代理人能够使用其本地观察进行分散的决策制定。通过大量实验表明，采用 HetGAT Enc-Dec 政策的车队在按需移动网络中表现最佳。
autonomous mobilityfleet coordinationair mobility gameshetgat enc-decmulti-agent reinforcement learning
发现论文，激发创造
  • 基于图学习的城市空中移动车队调度：面向运营约束、需求变动和不确定性

    本文提出了一种基于图强化学习的方法，用于在线规划多个垂降站之间的电动飞机航班和目的地。训练数据表明，这种方法在性能和效率方面表现优秀。

    Jan, 2024

  • 通过分布式强化学习与注意力网络提高自主分离保障

    Advanced Air Mobility 引入了一种新的高效的交通方式，利用车辆自动化和电动飞机在以前服务不足的市场之间提供越来越自主的交通。本文提出了一个基于去中心化强化学习框架的方法，在 AAM 走廊中利用速度和垂直机动提供自主的自主分离能力。通过引入注意力网络用于可变长度的观察处理和分布式计算架构，提高了模型的高训练样本吞吐量，并实现了在具有各种不确定性的高密度、动态环境中确保飞机安全和高效分离的目标。

    Aug, 2023

  • 面向大规模多机器人路径规划的消息感知图注意力网络

    本文介绍了一种基于 Graph Neural Networks 和注意力机制的多代理路径规划算法，在实验中表现良好，即使在非常大规模的情况下也能取得比基准模型高 47％的成功率。

    Nov, 2020

  • 基于全局损失的自主移动即需车队控制的多智能体软演员评论

    我们研究了自主移动出行系统的利润最大化操作员的顺序决策问题。通过使用多智能体软演员 - 评论家算法结合加权二分图匹配，我们优化了中央操作员的车辆调度策略，提出了一种新的基于车辆的算法体系结构，并调整了评论家的损失函数以恰当地考虑全局行动。此外，我们还扩展了算法以包含重新平衡功能。通过数值实验证明，我们的方法在调度方面的性能比最先进的基准提高了多达 12.9%，在集成重新平衡方面提高了多达 38.9%。

    Apr, 2024

  • 异构图注意力网络学习多样化通信

    该研究提出了一种名为 HetNet 的异构网络注意力思想，用于协调不同类型的机器人团队完成合作任务，并评估 HetNet 在解决信息交互问题中的性能提升，实验结果表明其相比基准方法，在学习复杂多智能体协作的通信协议方面，表现更好。

    Aug, 2021

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • 基于深度强化学习的车联网边缘计算多接入调度

    利用无人机辅助多智能体图卷积深度强化学习算法，实现车道上物联网设备最大化的用户体验，并在仿真中取得了良好的性能。

    Feb, 2022

  • GASE: 图注意力取样与边融合用于解决车辆路径问题

    我们提出了一种自适应图注意力采样与边融合框架（GASE），通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入，进一步融合采样网络中的消息传递和节点嵌入，在学习导向的 VRP 任务上表现出色，并在随机生成实例和真实世界数据集上展现出超越现有方法的性能。

    May, 2024

  • 构建一致可解释的运动预测模型：基于异构图注意力的方法

    自动驾驶中，准确解读其他道路用户的移动并利用这一信息预测未来轨迹至关重要。本文提出了一个新的优化模块，将预测的轨迹重新映射到实际地图上，纠正了编码过程中可能丢失的位置信息，从而实现更一致的预测。同时，我们还提出了一种新颖的场景编码器，以单一的异构图注意力网络来处理所有代理与环境之间的关系，并通过分析图中不同边的注意力值，可以深入了解神经网络的内部工作，实现更加可解释的预测。

    May, 2024

  • 基于图注意力神经网络的多智能体博弈抽象

    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