Role-based multi-robot warehouse coordination with reinforcement learning assisted task selection

Sulemana Nantogma

doi:10.1038/s41598-026-63868-3

Role-based multi-robot warehouse coordination with reinforcement learning assisted task selection

2026-08-08

0

OA

AI

DOI：10.1038/s41598-026-63868-3

原文链接

查看原文

摘要

En 中文

我们研究大规模RMFS中的去中心化协调，其中容量受限的运力车队在随机需求、拥堵和实时约束下履行订单。我们将该问题形式化为一种基于角色的去中心化部分可观测半马氏决策过程，该过程扩展了半马氏多智能体框架，以包含基于角色的宏动作、与角色相关的资格约束以及针对密度驱动的去中心化角色转换的多数角色切换机制。与通用的宏动作发起集合不同，我们的资格门通过根据瞬时负载、容量和货架分配状态动态禁用角色来强制执行物理可行性，而多数角色切换则在无需集中协调的情况下平衡局部任务需求与智能体供给。为优化这种结构化动作空间，我们引入HSC-Net，一种混合演员-评论家架构，该架构结合了角色特定的启发式候选生成、卷积空间编码和基于交叉注意力的候选评分，并由基于仓库分区图的中心化图注意力评论家支持。我们的框架能够在无固定基础设施或智能体会合的情况下实现异步多跳中继，从而将中间货架运输与直接配送解耦。在多种仓库规模上的广泛模拟表明，与基于规则的启发式方法和基于价值的深度Q学习基线相比，本框架在吞吐量、完成时间和拥堵平衡方面均取得了显著改进。

Role-based multi-robot warehouse coordination with reinforcement learning assisted task selection

摘要

AI总结

期刊

机构

引用论文