全局结构约束下时空轨迹优化与注意力增强图神经网络驱动的共享环境多智能体协同导航方法

《Mathematics》：Multi-Agent Cooperative Navigation Algorithm Based on Trajectory Optimization with Global Structural Constraints and Attention-Enhanced Graph Neural Networks

　　

摘要

为解决共享环境中多智能体系统在编队保持、避障与协同导航方面面临的挑战，本文提出了一种全局结构约束下的时空轨迹优化方法以及基于注意力增强图神经网络（AE-GNN）的协同导航策略。首先，基于图拉普拉斯理论构建了一种可微的编队相似度度量，用于刻画编队的内在几何结构，该度量对平移、旋转和缩放变换具有不变性。在此基础上，综合考虑编队保持、障碍规避、智能体间碰撞避免以及轨迹平滑性，开发了一种分布式轨迹优化框架。此外，引入了一种基于环境通道余量的自适应编队约束调整机制，使智能体能够在狭窄通道中放松刚性编队约束，并在避障后逐渐恢复期望编队构型。为提升密集复杂环境中的协同决策能力，提出了一种AE-GNN导航方法，其中注意力机制在特征聚合过程中动态地为关键邻域智能体分配更高权重，从而增强协同信息交互与碰撞避免能力。仿真实验与物理实验均验证了所提两种方法的有效性。轨迹优化方法在密集障碍物编队导航仿真中取得了97.5%的成功率，而AE-GNN在多智能体场景中展现了有效的协同导航与碰撞避免能力。