多智能体协同控制任务中交互关系建模与轨迹预测方法研究.pdfVIP

摘要

在人工智能迅速发展的当下，以无人机等为代表的多智能体系统（Multi-Agent

SystemMASMAS

，）已经成为一个极具活力的研究领域。然而，中动态多变的交

互关系和通信中断等复杂性场景，对多智能体协同控制算法的实际应用构成了实

质性障碍，如何准确建模智能体间的交互并预测它们未来的轨迹成为实现有效协

同控制的核心问题。因此，本文基于MAS进行交互关系建模，进一步基于提取的

交互特征进行轨迹预测，最后将预测框架应用到集群控制算法中，主要研究内容如

下：

对交互关系建模和轨迹预测的研究发展进行了全面的分析总结，探讨了交互

关系建模与预测的基础理论，包括用于关系建模的图神经网络、用于时序数据处理

的循环神经网络和Transformer网络、涉及协同场景的数据集以及轨迹预测领域的

评价指标等。

针对MAS内智能体通过交互协作执行避免碰撞或集群行为的任务，本文在消

息传递图神经网络的基础上，提出了一种多尺度超图拓扑结构推理的方法，提高了

模型捕捉群体交互行为的能力。通过自制小球协同运动数据集，验证了模型具有图

关系表示、捕捉群体交互行为、推理交互类别的能力，其中图表示准确率达到87.4%，

在2-types和3-types上推理交互类别准确率分别高达99.4%和91.2%。

针对智能体行为随机性和轨迹预测的不确定性问题，本文提出了一种基于条

件变分自动编码器的轨迹预测框架，鼓励生成多种可行的轨迹。通过融合交互关系

模型和Transformer网络，极大地提高了框架的鲁棒性和泛化性。进一步在智能体

位置和速度信息中融入二阶加速度信息，预测性能得到了显著提升。在协同场景的

NBA数据集上ADE/FDE减小到0.91/1.30m，相比NMMP模型提升了30.5%/39.3%；

在PHASE数据集上ADE/FDE减小到0.57/0.96m，相比IMMA模型提升了

28.8%/35.1%。

针对MAS实际场景中通信中断等问题，本文在Gazebo仿真平台上搭建了多

无人机集群环境，通过采集和处理无人机运动轨迹自制了无人机数据集。进一步在

该数据集上对预测框架进行了训练和测试，并将其应用到集群控制算法中，显著降

低了速度损失和系统控制损失，有效防止因通信中断场景中信息丢失而导致算法

失效或智能体间碰撞的问题。

关键词：多智能体系统，图神经网络，交互关系建模，轨迹预测，Transformer

ABSTRACT

Withtherapiddevelopmentofartificialintelligence,Multi-AgentSystems(MAS),

representedbyUAV,havebecomeavibrantfieldofresearch.However,thedynamicand

complexinteractionswithinMAS,alongwithcommunicationdisruptions,pose

significantchallengestothepracticalapplicationofmulti-agentcooperativecontrol

algorithms.Accuratelymodelingtheinteractionsbetweenagentsandpredictingtheir

futuretrajectorieshasbecomethecoreissueforeffectivecooperativecontrol.Therefore,

thesiscarriesoutinteractionrelationshipmodelingbasedonMAS,furthermore,it

predictsthetrajectorybasedonextractedinteractionfeatures,