使用异构图神经网络进行多智能体路径规划的共享路网生成与评估器

arXiv:2610.09034v1 公告类型：cross 摘要：连续环境中的多智能体路径规划（MAPP）通常依赖路网来平衡安全性与搜索效率。然而，传统的路网生成方法（如格状网格或标准的基于采样的方法）往往面临图密度与找到可行且高质量解的可能性之间的权衡。本文提出了一种可扩展的异构图神经网络（GNN）框架，用于自动生成和评估共享多智能体路网。我们的模型将路径点、智能体位置和任务位置表示为异构图中的不同节点，从而能够推理全局连通性和智能体间的交互。通过在从专家求解器轨迹中汇总和收集的占用密度图上进行训练，GNN 学会识别关键兴趣点，并剪除冗余节点和边。该过程生成了一个紧凑且具备协调感知能力的路网，该路网对任务排列具有不变性，并可复用于多智能体取货与配送任务。实验结果表明，我们的框架能够减少规划工作量，并有望找到更优解；对于稠密路网，运行时间和图规模均至少可减少 40%。