Transferable task allocation for multi-AGV systems with capacity constraints: An entity-encoding reinforcement learning method

Yu, Zichao

doi:10.1016/j.eswa.2026.133564

Transferable task allocation for multi-AGV systems with capacity constraints: An entity-encoding reinforcement learning method

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133564

原文链接

原文求助

摘要

En 中文

在智能制造工厂中，多AGV系统被广泛部署用于协作物料搬运，其中每个任务具有任务特定的容量需求，且任务完成取决于填充所需数量的有效AGV-任务绑定槽位。然而，此类系统存在两个关键挑战。首先，分布式AGV基于局部观察做出任务选择决策，而不知晓其他AGV的并发决策，导致并发容量竞争和无效绑定，从而浪费AGV资源。其次，在柔性制造中，AGV和任务的数量随生产计划频繁变化，而许多传统基于学习的方法在系统规模变化时需要重新设计网络或重新训练，严重限制了部署效率。为解决这些挑战，提出了一种基于多智能体深度强化学习的可转移实体编码多AGV任务分配（TEMAT）算法。具体而言，将AGV和任务统一建模为动态图中的异构实体节点，通过结构化表示捕获容量状态和AGV-任务交互。采用基于Transformer的自注意力机制，使AGV能够选择性关注实体级信息，通过协同推理缓解并发容量竞争。此外，实体级值分解机制将网络参数与系统规模解耦，使训练好的模型可直接部署到不同数量AGV和任务的场景中，无需架构修改。为进一步增强高维联合动作空间中的探索并提高样本效率，集成了噪声网络和优先经验回放。大量模拟实验表明，TEMAT在收敛速度、任务效用和完成时间方面优于现有算法，并展现出跨不同系统规模场景的有效可转移性。

Keyword:

Automated guided vehicle (AGV)

Task allocation

Multi-agent reinforcement learning

Transformer

Transfer learning

Transferable task allocation for multi-AGV systems with capacity constraints: An entity-encoding reinforcement learning method

摘要

期刊

机构

引用论文