Topology Recoverability Prediction for Ad-Hoc Robot Networks: A Data-Driven Fault-Tolerant Approach

要約

アドホック ロボット ネットワークで発生する障害は、そのトポロジに致命的な混乱をもたらし、それらのネットワークのサブセットの切断につながる可能性があります。
一般に、大規模なアドホック ロボット ネットワークの場合、最適なトポロジ合成をリアルタイムで実行するにはリソースが大量に消費され、時間がかかります。
トポロジの再計算は、障害発生後のトポロジの回復可能性の確率が回復不能の可能性を超える場合にのみ実行する必要があります。
この問題を二項分類問題として定式化します。
次に、ベイジアン ガウス混合モデルに基づいて、2 つの異なる故障前および故障後の予測経路によって典型的な問題の解決策を予測する 2 経路データ駆動モデルを開発します。
これらの経路の予測を統合することによって得られた結果は、文献に記載されている現在の最良の戦略と比較して、トポロジー (ir) 回復可能性予測問題の解決において私たちのモデルが成功したことを明確に示しています。

要約(オリジナル)

Faults occurring in ad-hoc robot networks may fatally perturb their topologies leading to disconnection of subsets of those networks. Optimal topology synthesis is generally resource-intensive and time-consuming to be done in real time for large ad-hoc robot networks. One should only perform topology re-computations if the probability of topology recoverability after the occurrence of any fault surpasses that of its irrecoverability. We formulate this problem as a binary classification problem. Then, we develop a two-pathway data-driven model based on Bayesian Gaussian mixture models that predicts the solution to a typical problem by two different pre-fault and post-fault prediction pathways. The results, obtained by the integration of the predictions of those pathways, clearly indicate the success of our model in solving the topology (ir)recoverability prediction problem compared to the best of current strategies found in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google