Learning Hierarchical Control For Multi-Agent Capacity-Constrained Systems

要約

この論文では、反復環境で非線形で容量に制約のある自律エージェント群を管理するための、新しいデータ駆動型の階層制御スキームを紹介します。
我々は、高レベルの動的タスク割り当ておよびルーティング層と、低レベルの動作計画および追跡層で構成される制御フレームワークを提案します。
制御階層の各層はデータ駆動型のモデル予測制御 (MPC) ポリシーを使用し、新しいタスク割り当てまたは作動入力の各計算で制限された計算の複雑さを維持します。
当社は収集したデータを利用してエージェントのキャパシティ使用量の推定値を繰り返し調整し、それに応じて MPC ポリシー パラメーターを更新します。
私たちのアプローチは、反復学習制御のツールを活用して階層の両方のレベルでの学習を統合し、接続されたアーキテクチャの閉ループの実現可能性とパフォーマンスの向上を維持するためにレベル間の学習を調整します。

要約(オリジナル)

This paper introduces a novel data-driven hierarchical control scheme for managing a fleet of nonlinear, capacity-constrained autonomous agents in an iterative environment. We propose a control framework consisting of a high-level dynamic task assignment and routing layer and low-level motion planning and tracking layer. Each layer of the control hierarchy uses a data-driven Model Predictive Control (MPC) policy, maintaining bounded computational complexity at each calculation of a new task assignment or actuation input. We utilize collected data to iteratively refine estimates of agent capacity usage, and update MPC policy parameters accordingly. Our approach leverages tools from iterative learning control to integrate learning at both levels of the hierarchy, and coordinates learning between levels in order to maintain closed-loop feasibility and performance improvement of the connected architecture.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google