自律型無人編隊における回復力のある協調のためのメタパス誘導ポリシー蒸留

科学分野:

• ロボティクス
• 人工知能
• ネットワーク科学

背景:

• 自律型無人編隊（AUS）の回復力を強化することは、摂動下での効果的な運用にとって非常に重要です。
• 現在の強化学習（RL）法は、サブシステム間の相互作用における複雑でマルチホップの依存関係を見落としがちです。
• 異種セマンティクスとメタパスは、堅牢な協調ポリシーにとって重要です。

研究 の 目的:

• 自律型無人編隊（AUS）の回復力を向上させるための新しいフレームワーク、メタパス誘導ポリシー蒸留による回復力のある協調（MPGPD-RC）を開発すること。
• 構造化された摂動と複雑な依存関係の処理における既存の強化学習（RL）アプローチの限界に対処すること。
• 高度な相互作用をモデル化することにより、深刻な摂動下でも効果的なままのAUSポリシーを可能にすること。

主な方法:

• MPGPD-RCは、パス固有のグラフアテンションを使用したメタパス誘導埋め込みと、対比的再構築およびアテンション融合を組み合わせています。
• PPO教師が軌道を提供し、学生がアクション分布と構造コードを整合させる教師あり学習スキームが採用されています。
• パス認識対比学習は、複雑で順序付けられた指向性のマルチホップ依存関係をキャプチャするために使用されます。

主要な成果:

• MPGPD-RCは、さまざまな摂動シナリオで最先端のベースラインを一貫して上回っています。
• このフレームワークは、回復力のある協調に不可欠な複雑な高次の依存関係を効果的にモデル化します。
• 経験的評価は、構造化された摂動下で編隊の効果を維持する上で優れたパフォーマンスを示しています。

結論:

• MPGPD-RCは、自律型無人編隊のための回復力のある協調ポリシーを作成する上で大きな進歩をもたらします。
• 提案された方法は、複雑なサブシステム間の依存関係を正常にキャプチャして活用し、既存のアプローチを上回っています。
• このフレームワークは、困難な環境での自律型編隊の信頼性を向上させるための堅牢なソリューションを提供します。