使用异构图神经网络的多智能体路径规划共享路线图生成与评估器

基于摘要分析。该研究针对连续环境中多智能体路径规划（MAPP）的路线图密度与可行、高质量解之间的权衡，提出可扩展的异构 Graph Neural Network（GNN）框架，用于自动生成和评估共享路线图。其贡献是从专家求解器轨迹中学习关键位置，剪除冗余节点与边，形成紧凑且考虑多智能体协调的规划图。 核心机制是将路标点、智能体位置和任务位置表示为异构图中的不同类型节点，以建模全局连通性及智能体间交互。训练监督来自专家求解器轨迹汇总形成的占用密度图。作者称，生成的路线图具有任务排列不变性，并可复用于多智能体取送任务；具体损失、生成与评估模块的关系，以及不变性的实现方式尚未验证。 结果方面，作者报告，在稠密路线图条件下，运行时间和图规模均至少减少40%，并可能找到更好的解。摘要未明确这一结果对应的对照方法、环境与智能体规模、数据划分、运行时间统计口径或解质量指标，因此不能据此推断所有规划场景都有同等收益。实验协议、消融及统计信息尚未验证。 复现时需核对专家求解器与轨迹采集方式、占用密度图构建规则、剪枝后连通性及安全约束的处理，以及训练与测试任务之间的复用范围。该方法依赖空间路线图、任务节点和专家规划轨迹，并非直接面向EEG或BCI；现有材料不足以建立明确的迁移机制，相关EEG工作尚未检索确认。