Scaling Safe Multi-Agent Control for Signal Temporal Logic Specifications

要約

Signal Temporal Logic (STL) などのロジック仕様を使用した安全なマルチエージェント制御の既存の方法は、多くの場合、スケーラビリティの問題に直面します。
これは、単一エージェントの観点か、最適化が複雑な混合整数線形計画法 (MILP) ベースのプランナーに依存しているためです。
これらの方法は、多数のエージェントを処理する場合、計算コストが高く、非効率であることがわかっています。
これらの制限に対処するために、この設定でマルチエージェント制御に対する新しいスケーラブルなアプローチを提案します。
私たちの方法では、単一エージェントの観点ではなく、グラフ構造を使用してエージェント間の関係を扱います。
さらに、マルチエージェント衝突回避コントローラーとグラフ ニューラル ネットワーク (GNN) ベースのプランナーを組み合わせ、分散型でシステムをモデル化し、STL ベースの目標に基づいてトレーニングして、複数のエージェントに対する安全で効率的な計画を生成します。これにより、
複雑な時間的仕様を満たしながら、マルチエージェントの衝突回避も容易にします。
私たちの実験では、私たちのアプローチが、スケーラビリティとパフォーマンスの点で、最先端の MILP ベースのプランナーを使用する既存の方法よりも大幅に優れていることが示されています。
プロジェクトの Web サイトは https://jeappen.com/mastl-gcbf-website/ で、コードは https://github.com/jeappen/mastl-gcbf にあります。

要約(オリジナル)

Existing methods for safe multi-agent control using logic specifications like Signal Temporal Logic (STL) often face scalability issues. This is because they rely either on single-agent perspectives or on Mixed Integer Linear Programming (MILP)-based planners, which are complex to optimize. These methods have proven to be computationally expensive and inefficient when dealing with a large number of agents. To address these limitations, we present a new scalable approach to multi-agent control in this setting. Our method treats the relationships between agents using a graph structure rather than in terms of a single-agent perspective. Moreover, it combines a multi-agent collision avoidance controller with a Graph Neural Network (GNN) based planner, models the system in a decentralized fashion, and trains on STL-based objectives to generate safe and efficient plans for multiple agents, thereby optimizing the satisfaction of complex temporal specifications while also facilitating multi-agent collision avoidance. Our experiments show that our approach significantly outperforms existing methods that use a state-of-the-art MILP-based planner in terms of scalability and performance. The project website is https://jeappen.com/mastl-gcbf-website/ and the code is at https://github.com/jeappen/mastl-gcbf .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google