基于扩散从信号时序逻辑规范进行可泛化的多智能体规划

现实世界中的多智能体系统（例如无人机蜂群、自动驾驶汽车、仓库机器人）必须在避免碰撞的同时满足丰富的时序任务。信号时序逻辑（STL）能够优雅地对这类目标进行编码，但当前的 STL 规划方法面临关键限制。最先进的基于优化的方法可以处理任意 STL 规范，但难以扩展，随着智能体数量增加，其计算上变得不切实际。基于学习的方法能够以快速的规划时间高效处理大量智能体，但当部署时的目标与训练时不同，它们表现不佳，并且不支持需要为不同智能体分配不同规范的规划任务（即异质性），也不支持需要多个智能体协同的团队级规范。这种可泛化性与可扩展性之间的根本权衡，给在实践中实现多智能体 STL 规划算法带来了挑战。为克服这一挑战，我们提出了一种用于带有 STL 规范的多智能体规划的新扩散方法。通过使用 STL 的可微近似，我们将 STL 梯度集成到去噪过程中，使我们的方法能够泛化到新的公式，即其谓词位于训练期间覆盖的目标区域内任意位置，同时达到与现有基于学习的方法相同的可扩展性。我们的方法支持异质规范，并且借助扩散模型，自然增强了规划多样性，从而显著减少了智能体之间的安全相关违规（例如碰撞）。一项详细的评估研究证明了 STL 引导的基于扩散的多智能体规划器在构建可泛化、可扩展且多样化的计划方面的实用性。视频和代码可在 https://www.jeappen.com/diff-ma-stl/ 和 https://github.com/jeappen/diff-ma-stl 获取。