論文の概要: Learning Decentralized Swarms Using Rotation Equivariant Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2502.17612v1
• Date: Mon, 24 Feb 2025 19:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:21:05.951732
• Title: Learning Decentralized Swarms Using Rotation Equivariant Graph Neural Networks
• Title（参考訳）: 回転同変グラフニューラルネットワークを用いた分散Swarmの学習
• Authors: Taos Transue, Bao Wang,
• Abstract要約: 分散型コントローラは、群れの凝集を維持するのに苦労する。 グラフニューラルネットワーク(GNN)アーキテクチャは、分散コントローラを開発するのに欠かせない機械学習ツールとして登場した。 我々の対称性認識コントローラは既存のGNNコントローラよりも一般化されていることを示す。
• 参考スコア（独自算出の注目度）: 11.194306044434502
• License:
• Abstract: 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.
• Abstract（参考訳）: 中央集権制御のない集合目的を最適化するためのエージェントの編成は、自律的な艦隊の制御や、センサーネットワークを用いた監視と偵察といったアプリケーションにとって、依然として不可欠である。 分散コントローラの設計は自然界で見られる自己組織化にインスピレーションを受けており、そのインスピレーションの顕著な源泉は群れであるが、分散コントローラは群れの凝集を維持するのに苦労している。 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コントローラを開発する上で、必須の機械学習ツールとして登場したが、群れのダイナミクスに存在する対称性を活用できず、一般化を妨げている。 我々は、分散化Flocking GNNコントローラにおける回転同値および変換不変対称性を強制し、既存のGNNコントローラよりも70%少ないトレーニングデータと75%少ないトレーニング重量で、同等のFlocking制御を実現する。 また,我々の対称性認識コントローラは既存のGNNコントローラよりも一般化されていることを示す。 コードとアニメーションはhttp://github.com/Utah-Math-Data-Science/Equivariant-Decentralized-Controllersで入手できる。

関連論文リスト

• Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
  無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。 本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。 本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-15T06:28:21Z)
• A comparison of RL-based and PID controllers for 6-DOF swimming robots: hybrid underwater object tracking [8.362739554991073]
  本稿では,PIDコントローラの代替として,集中型深層Q-network(DQN)コントローラを用いた調査と評価を行う。 我々の主な焦点は、この遷移を水中物体追跡の特定のケースで説明することに集中している。 本実験は,Unityをベースとしたシミュレータで実施し,分離したPIDコントローラ上での集中型RLエージェントの有効性を検証した。
  論文  参考訳（メタデータ） (2024-01-29T23:14:15Z)
• Centralized and Decentralized Control in Modular Robots and Their Effect on Morphology [1.4502611532302039]
  モジュール型ロボットの性能と形態に及ぼす集中型・分散型コントローラの影響について検討する。 形態学的な大きさに依存しない分散的アプローチは、他のアプローチよりも大幅に向上した。
  論文  参考訳（メタデータ） (2022-06-27T15:22:46Z)
• Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks [208.15591625749272]
  視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。 我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。 我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
  論文  参考訳（メタデータ） (2021-06-24T23:57:21Z)
• Communication Topology Co-Design in Graph Recurrent Neural Network Based Distributed Control [4.492630871726495]
  分散コントローラのコンパクトかつ表現力のあるグラフ繰り返しニューラルネットワーク(GRNN)パラメータ化について紹介する。 提案されたパラメータ化は,従来のGNN(Graph Neural Network)ベースのパラメータ化に類似した,ローカルおよび分散アーキテクチャである。 本研究では,性能/通信密度のトレードオフ曲線を効率よく近似できることを示す。
  論文  参考訳（メタデータ） (2021-04-28T16:30:02Z)
• Consensus Control for Decentralized Deep Learning [72.50487751271069]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上のデバイス上での学習と、大規模計算クラスタへの効率的なスケーリングを可能にする。 理論上、トレーニングコンセンサス距離が重要な量よりも低い場合、分散化されたトレーニングは集中的なトレーニングよりも早く収束することを示す。 私たちの経験的な洞察は、パフォーマンス低下を軽減するために、より分散化されたトレーニングスキームの原則設計を可能にします。
  論文  参考訳（メタデータ） (2021-02-09T13:58:33Z)
• Decentralized Control with Graph Neural Networks [147.84766857793247]
  分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。 GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。 分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
  論文  参考訳（メタデータ） (2020-12-29T18:59:14Z)
• Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
  四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。 高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。 確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
  論文  参考訳（メタデータ） (2020-09-21T16:49:26Z)
• Graph Neural Networks for Decentralized Controllers [171.6642679604005]
  自律エージェントで構成される動的システムは、ロボット工学、スマートグリッド、スマートシティなど、多くの関連する問題に現れる。 最適な集中型コントローラは容易に利用できるが、スケーラビリティと実用的な実装の面で制限に直面している。 グラフニューラルネットワーク(GNN)を用いて,データから分散制御系を学習するフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-23T13:51:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。