Swarm Characteristics Classification Using Neural Networks

要約

群がる自律エージェントの特性を理解することは、防衛およびセキュリティ アプリケーションにとって重要です。
この記事では、教師ありニューラル ネットワーク時系列分類 (NN TSC) を使用して、軍事的背景に群がる自律エージェントの主要な属性と戦術を予測することに関する研究を紹介します。
具体的には、NN TSC を適用して、通信と比例航法という 2 つのバイナリ属性を推論し、これらを組み合わせて 4 つの相互に排他的な群戦術を定義します。
私たちは、群の分類に NN を使用することに関する文献のギャップを特定し、攻撃中の群に関する情報を迅速に推定して対抗策を知らせる際の NN TSC の有効性を実証します。
シミュレーションされた群れ対群れの交戦を通じて、観測ウィンドウの要件、ノイズの堅牢性、および群れのサイズに対する拡張性の観点から NN TSC のパフォーマンスを評価します。
主な調査結果は、NN が 20 タイム ステップの短い観察ウィンドウを使用して群の動作を 97% の精度で予測できる一方、50% のノイズ下で精度が 80% まで緩やかに低下すること、および 10 から 100 のエージェントの群サイズに対する優れたスケーラビリティを実証していることを示しています。
これらの機能は、群れの行動に関する洞察を迅速に推測することで、防衛シナリオにおけるリアルタイムの意思決定のサポートに有望です。

要約(オリジナル)

Understanding the characteristics of swarming autonomous agents is critical for defense and security applications. This article presents a study on using supervised neural network time series classification (NN TSC) to predict key attributes and tactics of swarming autonomous agents for military contexts. Specifically, NN TSC is applied to infer two binary attributes – communication and proportional navigation – which combine to define four mutually exclusive swarm tactics. We identify a gap in literature on using NNs for swarm classification and demonstrate the effectiveness of NN TSC in rapidly deducing intelligence about attacking swarms to inform counter-maneuvers. Through simulated swarm-vs-swarm engagements, we evaluate NN TSC performance in terms of observation window requirements, noise robustness, and scalability to swarm size. Key findings show NNs can predict swarm behaviors with 97% accuracy using short observation windows of 20 time steps, while also demonstrating graceful degradation down to 80% accuracy under 50% noise, as well as excellent scalability to swarm sizes from 10 to 100 agents. These capabilities are promising for real-time decision-making support in defense scenarios by rapidly inferring insights about swarm behavior.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google