Graph Neural Planning and Predictive Control for Multi-Robot Communication-Constrained Unlabeled Motion Planning

📄 arXiv: 2605.19209v1 📥 PDF

作者: Manohari Goarin, Yang Zhou, Giuseppe Loianno

分类: cs.RO, cs.MA

发布日期: 2026-05-19

备注: 8 pages, 6 figures, Accepted at the IEEE International Conference on Robotics and Automation (ICRA) 2026

💡 一句话要点

提出基于图神经网络规划与预测控制的多机器人通信受限运动规划方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多机器人运动规划 图神经网络 模型预测控制 通信约束 注意力机制

📋 核心要点

  1. 现有方法在多机器人运动规划中依赖简化动力学和仿真环境，忽略了动态可行性和通信约束等实际部署挑战。
  2. 论文提出分层框架，结合图注意力规划器（GATP）和去中心化非线性模型预测控制器（NMPC），实现安全轨迹生成。
  3. 实验结果表明，该框架具有良好的泛化能力、对通信延迟的鲁棒性，以及通过去中心化板载推理实现的实际可行性。

📝 摘要（中文）

多机器人无标签运动规划问题，即同时将机器人分配给目标并生成安全轨迹，是许多协作任务的核心。最近的图神经网络方法提供了可扩展的去中心化解决方案，但依赖于简化的动力学和仿真环境，忽略了实际部署的关键挑战，如动态可行性和通信约束。为了解决这些差距，我们提出了一个分层框架，该框架结合了图注意力规划器（GATP）和去中心化非线性模型预测控制器（NMPC）。GATP通过多机器人协作提供中间子目标，NMPC在非线性动力学和驱动约束下保证安全。我们在仿真和真实四旋翼飞行器实验中评估了我们的框架。由于注意力机制和最小的通信需求，我们证明了对更大团队的改进泛化能力，对高达200毫秒的通信延迟的鲁棒性，以及通过去中心化板载推理实现的实际可行性。

🔬 方法详解

问题定义：论文旨在解决多机器人无标签运动规划问题，即在存在通信约束的情况下，如何安全有效地将多个机器人分配到各自的目标位置，并生成满足动力学约束的轨迹。现有基于图神经网络的方法虽然具有可扩展性，但通常在简化的动力学模型和仿真环境中进行评估，忽略了实际部署中动态可行性和通信延迟等关键问题。

核心思路：论文的核心思路是将全局规划和局部控制相结合，利用图神经网络进行全局路径规划，生成中间子目标，然后利用非线性模型预测控制进行局部轨迹优化，确保轨迹的动态可行性和安全性。这种分层结构可以有效地处理复杂环境和通信约束，提高系统的鲁棒性和泛化能力。

技术框架：该框架包含两个主要模块：图注意力规划器（GATP）和去中心化非线性模型预测控制器（NMPC）。GATP负责生成全局路径，通过图神经网络学习机器人之间的协作关系，并生成中间子目标。NMPC负责局部轨迹优化，根据机器人的动力学模型和环境约束，生成满足安全性和动态可行性的轨迹。两个模块通过中间子目标进行信息交互，实现全局规划和局部控制的协同作用。

关键创新：该论文的关键创新在于将图注意力机制引入到多机器人运动规划中，利用注意力机制学习机器人之间的协作关系，提高规划效率和鲁棒性。此外，该论文还提出了一个分层框架，将全局规划和局部控制相结合，有效地处理了复杂环境和通信约束。

关键设计：GATP使用图神经网络进行训练，输入包括机器人的位置、速度和目标位置等信息，输出为中间子目标。注意力机制用于学习机器人之间的协作关系，权重由神经网络学习得到。NMPC使用非线性动力学模型和环境约束进行轨迹优化，目标函数包括轨迹长度、控制量和安全性等因素。通信约束通过限制机器人之间的信息交互来实现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该框架在仿真和真实四旋翼飞行器实验中均表现良好。与传统方法相比，该框架具有更好的泛化能力和对通信延迟的鲁棒性。具体来说，该框架可以处理高达200毫秒的通信延迟，并且可以在更大规模的机器人团队中实现有效的协作。此外，该框架还可以在去中心化的板载计算平台上实现实时推理。

🎯 应用场景

该研究成果可应用于多机器人协同作业的各种场景，例如：仓库自动化、物流配送、搜救行动、环境监测等。通过该方法，可以实现多机器人在复杂环境下的安全、高效协作，提高工作效率和降低成本。未来，该方法有望扩展到更大规模的机器人团队，并应用于更复杂的任务。

📄 摘要（原文）

The multi-robot unlabeled motion planning problem of concurrently assigning robots to goals and generating safe trajectories is central in many collaborative tasks. Recent Graph Neural Network methods offer scalable decentralized solutions but rely on simplified dynamics and simulation environments, overlooking key challenges of real-world deployment such as dynamic feasibility and communication constraints. To address these gaps, we propose a hierarchical framework that combines a Graph ATtention Planner (GATP) with a decentralized Nonlinear Model Predictive Controller (NMPC). GATP provides intermediate subgoals through multi-robot cooperation, and the NMPC enforces safety under nonlinear dynamics and actuation constraints. We evaluate our framework in both simulation and real-world quadrotor experiments. Thanks to attention mechanisms and minimal communication requirements, we demonstrate improved generalization to larger teams, robustness to communication delays up to 200 ms and practical feasibility with decentralized on-board inference.