在异质多团队系统中学习利他性协作
Learning Altruistic Collaboration in Heterogeneous Multi-Team Systems
AI总结：
本文研究了通过动态机器人分配实现的异质多团队协作，将机器人视为可转移资源。利用生态学中的哈密顿规则作为利他决策机制，提出了一种具有异质能力、转移成本和能力依赖贡献的多团队协作资源分配框架。所得到的分配问题是组合性的，并被证明是NP难的。为了解决可扩展性问题，我们开发了一种基于图神经网络的策略，在集中训练和分布式执行下近似基于哈密顿规则的利他性分配。该模型在团队交互图上运行，并预测机器人层面的转移决策和下一步的机器人到团队分配。通过消防演习场景的模拟和实验验证了所提出的方法，证明所学习的策略在扩展到更大系统时能够实现接近最优的性能。
摘要：
本文研究了通过动态机器人分配实现的异质多团队协作，其中机器人被视为可转移资源。利用生态学中的哈密顿规则作为利他决策机制，我们提出了一种具有异质能力、转移成本和能力依赖贡献的多团队协作资源分配框架。所得到的分配问题是一个组合问题，并被证明是NP难的。为了解决可扩展性问题，我们开发了一种基于图神经网络的策略，在集中训练和分布式执行下近似基于哈密顿规则的利他性分配。该模型在团队交互图上运行，并预测机器人层面的转移决策和下一步的机器人到团队分配。通过消防演习场景的模拟和实验验证了所提出的方法，证明所学习的策略在扩展到更大系统时能够实现接近最优的性能。
英文摘要：
This paper studies heterogeneous multi-team collaboration through dynamic robot allocation, where robots are treated as transferable resources. Leveraging Hamilton's rule from ecology as an altruistic decision-making mechanism, we propose a multi-team collaborative resource allocation framework with heterogeneous capabilities, transfer costs, and capability-dependent contributions. The resulting allocation problem is combinatorial and is shown to be NP-hard. To address scalability, we develop a graph neural network policy under centralized training and decentralized execution that approximates the altruistic allocations based on Hamilton's rule. The model operates over the team interaction graph and predicts robot-level transfer decisions and next robot-to-team assignments. The proposed approach is validated in a firefighting scenario through simulations and experiments, demonstrating that the learned policy achieves near-optimal performance while scaling to larger systems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
