Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks

要約

グラフ識別問題は、状態/特徴の軌跡を考慮して、ネットワーク内のノード間の相互作用を発見することで構成されます。
ノードの動作は未知の相互作用モデルによって他のすべてのノードに結合されるため、この問題は困難です。
さらに、高次元で非線形の状態軌跡により、2 つのノードが接続されているかどうかを識別することが困難になります。
現在のソリューションは、グラフ トポロジとノードの動的動作に関する事前の知識に依存しているため、他のネットワーク構成への一般化が不十分です。
これらの問題に対処するために、我々は、(i) グローバル収束保証を備えたグラフ トポロジを効率的に明らかにする強い凸型プログラムと、(ii) 元の状態の軌跡をグラフに埋め込むことを学習するセルフ アテンション エンコーダを組み合わせる、新しい学習ベースのアプローチを提案します。
特徴空間を分析し、最適化プログラムに適切な正則化子を予測します。
他の研究とは対照的に、私たちのアプローチは、ノードの数、接続性、または状態の軌跡の観点から、新しい構成を持つ目に見えないネットワークのグラフ トポロジーを特定できます。
マルチロボットフォーメーションと群れタスクにおけるグラフの識別におけるアプローチの有効性を実証します。

要約(オリジナル)

The graph identification problem consists of discovering the interactions among nodes in a network given their state/feature trajectories. This problem is challenging because the behavior of a node is coupled to all the other nodes by the unknown interaction model. Besides, high-dimensional and nonlinear state trajectories make difficult to identify if two nodes are connected. Current solutions rely on prior knowledge of the graph topology and the dynamic behavior of the nodes, and hence, have poor generalization to other network configurations. To address these issues, we propose a novel learning-based approach that combines (i) a strongly convex program that efficiently uncovers graph topologies with global convergence guarantees and (ii) a self-attention encoder that learns to embed the original state trajectories into a feature space and predicts appropriate regularizers for the optimization program. In contrast to other works, our approach can identify the graph topology of unseen networks with new configurations in terms of number of nodes, connectivity or state trajectories. We demonstrate the effectiveness of our approach in identifying graphs in multi-robot formation and flocking tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google