利用旋转等变图神经网络学习去中心化集群
机器人学
2025-02-27 v2 机器学习
摘要
在没有集中控制的情况下编排智能体以优化集体目标，对于控制自主车队以及利用传感器网络进行监视和侦察等应用而言具有挑战性且至关重要。去中心化控制器设计受到了自然界中自组织行为的启发，一个主要的灵感来源是鸟群行为；然而，去中心化控制器难以维持鸟群凝聚力。图神经网络（GNN）架构已成为开发能够维持鸟群凝聚力的去中心化控制器不可或缺的机器学习工具，但它们未能利用鸟群动力学中存在的对称性，限制了其泛化能力。我们在去中心化鸟群 GNN 控制器中强制施加旋转等变性和翻译不变性对称性，仅使用现有 GNN 控制器 30% 的训练数据和 25% 的可训练参数就实现了相当的鸟群控制效果。我们还表明，我们的对称感知控制器比现有 GNN 控制器具有更好的泛化能力。代码和动画可在 http://github.com/Utah-Math-Data-Science/Equivariant-Decentralized-Controllers 获取。
引用
@article{arxiv.2502.17612,
title = {Learning Decentralized Swarms Using Rotation Equivariant Graph Neural Networks},
author = {Taos Transue and Bao Wang},
journal= {arXiv preprint arXiv:2502.17612},
year = {2025}
}
备注
correcting contact information