面向大规模多无人机碰撞规避的层次化联邦图注意力网络

实时性能、对抗韧性和隐私保护是需要平衡的三项关键指标，以实现大规模多无人机系统中的碰撞规避。当前框架倾向于提供单一解决方案，仅仅因计算复杂度随规模扩展为 $O(n^2)$ 而难以采用，亦不具备拜占庭容错性。本文提出的层次化框架通过构建三层架构来消除此类权衡。我们将智能分配到三层：运行于密集图注意力的即时碰撞规避局部层，延迟为 $<10 ms$；采用稀疏注意力、$O(nk)$ 计算复杂度以及基于坐标级均值剔除法的异步联邦学习的区域层；最后是采用轻量级 Hashgraph 协议的全局层。我们提出了自适应差分隐私机制，其中噪声水平 $(\epsilon \in [0.1, 1.0])$ 依据对实际威胁的评估而动态降低，从而最大化隐私-效用权衡。通过采用基于分布式哈希表 (DHT) 的轻量级审计日志取代重量级区块链共识，在所测试的所有 swarm 规模下，获得 95 分位决策在 50ms 内的中位数成本。该架构支持 500 架无人机的可扩展场景，碰撞率为 $< 2.0\%$，且具备 $f < n/3$ 的拜占庭容错性。