用时空图神经网络学习去中心化集群控制器
机器人学
2023-10-03 v2 人工智能
摘要
近来一系列研究探索了图神经网络（GNNs）在集群机器人去中心化控制中的使用。然而，已观察到仅依赖直接邻居的状态不足以模仿集中式控制策略。为克服此局限，先前研究提出将 跳延迟状态纳入计算。尽管该方法展现前景，却可能导致远端集群成员间缺乏共识并形成小簇，进而致使凝聚性集群行为失败。与之相反，我们的方法利用名为 STGNN 的时空 GNN，其涵盖空间与时间扩展。空间扩展收集来自远端邻居的延迟状态，而时间扩展纳入直接邻居的先前状态。两扩展所获取的更宽泛且更全面的信息带来了更有效且精准的预测。我们开发了控制机器人群体的专家算法，并基于该专家算法采用模仿学习训练我们的去中心化 STGNN 模型。我们在多种设定下仿真所提 STGNN 方法，展示了其模仿全局专家算法的去中心化能力。进一步，我们将该方案应用于一组 Crazyflie 无人机以实现凝聚性集群、领导者跟随与避障。STGNN 的性能凸显了其作为实现凝聚性集群、领导者跟随与避障任务的有效可靠方案的潜力。
引用
@article{arxiv.2309.17437,
title = {Learning Decentralized Flocking Controllers with Spatio-Temporal Graph Neural Network},
author = {Siji Chen and Yanshen Sun and Peihan Li and Lifeng Zhou and Chang-Tien Lu},
journal= {arXiv preprint arXiv:2309.17437},
year = {2023}
}