基于Lyapunov的图神经网络用于多智能体系统的自适应控制
系统与控制
2025-03-20 v1 系统与控制
摘要
图神经网络（GNN）具有消息传递框架，在图节点之间传递向量消息并通过前馈层进行更新。将分布式消息传递引入GNN架构，使其特别适用于分布式控制和协调任务。现有研究开发基于GNN的控制器以解决多智能体控制问题，同时补偿系统中的建模不确定性。然而，这些研究使用离线预训练的GNN。本文提供了首个基于Lyapunov的在线权重更新GNN，以解决多智能体目标跟踪问题的成果。具体而言，发展了新的基于Lyapunov的分布式GNN和图注意力网络（GAT）控制器，用于自适应估计未知目标动力学并解决二阶目标跟踪问题。提供了基于Lyapunov的稳定性分析，以保证目标状态估计值和智能体状态指数收敛于目标状态的邻域。数值仿真表明，GNN和GAT架构相对于基线深度神经网络（DNN）架构分别实现了20.8%和48.1%的位置跟踪误差性能提升。
关键词
引用
@article{arxiv.2503.15360,
title = {Lyapunov-Based Graph Neural Networks for Adaptive Control of Multi-Agent Systems},
author = {Brandon C. Fallin and Cristian F. Nino and Omkar Sudhir Patil and Zachary I. Bell and Warren E. Dixon},
journal= {arXiv preprint arXiv:2503.15360},
year = {2025}
}
备注
25 pages, 6 figures, 3 tables, 1 algorithm