通信高效的大规模无人机在线路径控制：联邦学习遇见平均场博弈论
网络与互联网体系结构
2020-08-13 v2 机器学习
信号处理
摘要
本文研究大规模无人机（如无人飞行器）群体的控制。通过考虑无人机间相互作用形成机群来进行控制的直白方法需要巨大的无人机间通信，无法在实时应用中实现。一种控制方法是应用平均场博弈（MFG）框架，其大幅减少无人机间通信。然而，为实现该框架，需要强大处理器在不同无人机上获得控制律。这一要求限制了MFG框架在大规模无人机控制等实时应用中的使用。因此，利用基于神经网络（NN）的函数逼近器来逼近Hamilton-Jacobi-Bellman（HJB）与Fokker-Planck-Kolmogorov（FPK）方程的解。然而，使用近似解可能违背MFG框架的收敛条件。因此，提出可在无人机间共享NN模型参数的联邦学习（FL）方法，结合基于NN的MFG以满足所需条件。给出了基于NN的MFG方法的稳定性分析，并通过仿真详述所提FL-MFG的性能。
引用
@article{arxiv.2003.04451,
title = {Communication-Efficient Massive UAV Online Path Control: Federated Learning Meets Mean-Field Game Theory},
author = {Hamid Shiri and Jihong Park and Mehdi Bennis},
journal= {arXiv preprint arXiv:2003.04451},
year = {2020}
}