GNN with Model-based RL for Multi-agent Systems

多智能体系统（MAS）在探索机器智能和高级应用方面起着重要作用。为了深入研究MAS场景中的复杂交互作用，我们最初提出了“GNN for MBRL”模型，该模型利用基于状态的图神经网络与基于模型的强化学习来解决特定的MAS任务（例如，台球避障，自动驾驶汽车）。具体而言，我们首先使用GNN模型来预测多个代理的未来状态和轨迹，然后应用交叉熵方法（CEM）优化的模型预测控制来辅助自主代理规划行动，并成功完成特定的MAS任务。

本论文旨在探讨多智能体系统中的交互问题，并提出了一种使用状态空间图神经网络和基于模型的强化学习相结合的方法来解决特定的多智能体系统任务。

本文使用GNN模型来预测多个智能体的未来状态和轨迹，然后应用交叉熵方法优化模型预测控制，以协助自主智能体规划行动并成功完成特定的多智能体系统任务。

本文的亮点包括使用GNN模型和CEM优化模型预测控制来解决多智能体系统的交互问题，并在Billiard-Avoidance和自动驾驶汽车等任务中取得成功。本文使用的数据集和代码是否开源并未提及。

在近期的相关研究中，还有一些关于使用强化学习和图神经网络解决多智能体系统问题的研究，如《Multi-Agent Reinforcement Learning with Graph Attention Networks》和《Graph Attention Networks for Multi-Agent Reinforcement Learning》。