多机器人或无人车在同一场景中协同作业时存在互相影响，本课题拟构建多机器人时空位置推理方法，同时引入任务信息并分析多机器人之间的交互情况，对环境路网未来的交通流状态进行精准预测，为后续多机器人/无人车轨迹规划和运动协同打下基础。特别的，本课题拟采用基于图神经网络（graph neural network）模型在道路拓扑图上进行深度学习，实现交通流时空分布预测，同时对路网进行实时优化与更新的同时。

交通流预测是城市交通规划的重要组成部分，对复杂城市路段交通流的准确预测直接影响城市交通疏导。本项目将引入图神经网络在路网交通图上进行交通信息聚合和未来交通流预测，最终将上述方法应用于包括大规模仓储物流机器人系统（如kiva）和集群无人驾驶场景（如Robotaxi）。本项目将根据区域交通分布以及路段车流量，采用深度学习方法捕捉路网间的潜在交通流关联，从而对交通流进行准确的预测。同时，本项目拟引入分层在线拓扑更新机制，对各片区时空轨迹和双方潜在冲突情况进行数据分析，进一步在线优化全路网拓扑结构，提高交通容载能力，为解决机器人/无人车拥堵问题提供上层帮助。

如何有效地采用图网络方法捕捉路网间的潜在交通流关联，是对交通流进行准确的预测的关键。本文主要通过

（1）基于图网络的交通信息聚合

当前无人系统的调度算法大多针对确定性环境和固定路网路线，未考虑针对动态任务变化和交通流分布进行实时预测并动态优化更新环境路网，适应能力差。针对大规模多机器人系统的交通流预测问题，本课题拟引入滚动预测机制，一方面引入机器人概率运动模型综合考虑路网连通性、多车交通路径和区域交通流预测情况估计车辆的时空位置分布；另一方面根据车辆的时空位置分布总和更新全局网的交通流分布预测，通过聚合交通流信息循环迭代实现大规模多机器人系统的交通流预测。拟采用数据分析方法对交通流信息关联性与耦合性进行解析，对功能流和数据流关系进行建模，构建不同信息之间的时空关联。研究并对比不同图神经网络对交通流信息数据融合的效果，对比其深层机制原理。

（2）基于分层在线拓扑更新机制的交通流预测

针对传统多机器人工作环境的作业路线固定，路网设计时未考虑动态任务分布情况，导致区域通行能力分布不均、低利用率和局部拥堵同时存在降低作业效率的问题，本课题拟基于长期历史数据和瞬时预测模型，引入长期经验概括和短期知识记忆的互补学习理论，同时引入当前优化路网的节点连通性作为约束实现大规模复杂场景下的多机器人交通流预测。在此基础上，以道路利用和区域交通分布为指标设计路网拓扑优化模型，采用图网络学习算法优化全路网的通行能力。同时，引入分层在线拓扑更新机制，根据任务分布的动态性，对区域路网进行实时在线更新，从环境设计层面保证任务的承载能力和对动态变化的适应性，同时预测潜在区域拥堵情况并加入相关约束成本，实现全路网交通流平衡。

（3）仿真-实际环境的迁移与验证

为了促使算法能够更好地落地实际场景任务，本项目将进一步地探索算法的迁移能力，并在真实环境中进行应用测试。