GCBF+: Нейросетевая платформа графовых барьерных функций управления для распределённого безопасного управления мультиагентными системами

Распределённое, масштабируемое и безопасное управление крупномасштабными мультиагентными системами представляет собой сложную задачу. В этой статье мы разрабатываем распределённую платформу для безопасного управления мультиагентными системами в крупномасштабных средах с препятствиями, где большое число агентов должно обеспечивать безопасность, используя только локальную информацию, и достигать заданных целевых положений. Мы вводим новый класс сертификатов, называемых графовыми барьерными функциями управления (GCBF), которые основаны на хорошо разработанной теории барьерных функций управления, обеспечивающей гарантии безопасности, и используют графовую структуру для масштабируемого и обобщаемого распределённого управления мультиагентными системами (MAS). Мы разрабатываем новую теоретическую платформу для доказательства безопасности MAS произвольного размера с помощью одной GCBF. Мы предлагаем новую платформу обучения GCBF+, в которой графовые нейронные сети используются для параметризации кандидатной GCBF и распределённой политики управления. Предлагаемая платформа является распределённой и для практических робототехнических приложений способна использовать облака точек, получаемые с помощью LiDAR, вместо информации о фактическом состоянии. Эффективность предложенного метода продемонстрирована в различных экспериментах на аппаратуре с роем дронов; цели экспериментов варьировались от обмена положениями до стыковки с движущейся мишенью без столкновений. Кроме того, мы провели обширные численные эксперименты, в которых увеличивались число и плотность агентов, а также число препятствий. Эмпирические результаты показывают, что в сложных средах с агентами, обладающими нелинейной динамикой (например, дронами Crazyflie), GCBF+ превосходит разработанный вручную метод на основе CBF по показателю эффективности до 20% в относительно небольших MAS, содержащих до 256 агентов, а ведущие методы обучения с подкреплением (RL) — до 40% в MAS, содержащих 1024 агента. Кроме того, предложенный метод не снижает эффективность достижения целей при обеспечении высоких показателей безопасности, что является распространённым компромиссом для методов на основе RL. Веб-сайт проекта: https://mit-realm.github.io/gcbfplus/