Learning Decentralized Swarms Using Rotation Equivariant Graph Neural Networks

要約

集中制御なしで集合的な目標を最適化するエージェントのオーケストレーションは、自律艦隊の制御、センサーネットワークを使用した監視と偵察などのアプリケーションにとって挑戦的でありながら重要です。
分散型コントローラーの設計は、自然界で見られる自己組織化に触発されており、インスピレーションの顕著な源が群がっています。
ただし、分散型コントローラーは群れの凝集を維持するのに苦労しています。
グラフニューラルネットワーク（GNN）アーキテクチャは、群れの凝集を維持できる分散型コントローラーを開発するための不可欠な機械学習ツールとして浮上していますが、群れのダイナミクスに存在する対称性を悪用し、一般化を妨げることができません。
分散型の群れGNNコントローラーの回転等積と翻訳の不変性対称性を実施し、これらの対称性が施行されていない既存のGNNコントローラーよりも70％少ないトレーニングデータと75％少ないトレーニング可能なウェイトで同等の散布コントロールを実現します。
また、対称性コントローラーが既存のGNNコントローラーよりも優れていることを示します。
コードとアニメーションは、http：//github.com/utah-math-data-science/equivariant-decentralized-controllersで入手できます。

要約(オリジナル)

The orchestration of agents to optimize a collective objective without centralized control is challenging yet crucial for applications such as controlling autonomous fleets, and surveillance and reconnaissance using sensor networks. Decentralized controller design has been inspired by self-organization found in nature, with a prominent source of inspiration being flocking; however, decentralized controllers struggle to maintain flock cohesion. The graph neural network (GNN) architecture has emerged as an indispensable machine learning tool for developing decentralized controllers capable of maintaining flock cohesion, but they fail to exploit the symmetries present in flocking dynamics, hindering their generalizability. We enforce rotation equivariance and translation invariance symmetries in decentralized flocking GNN controllers and achieve comparable flocking control with 70% less training data and 75% fewer trainable weights than existing GNN controllers without these symmetries enforced. We also show that our symmetry-aware controller generalizes better than existing GNN controllers. Code and animations are available at http://github.com/Utah-Math-Data-Science/Equivariant-Decentralized-Controllers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google