ترجمه فارسی مقاله کنترل چند عامله ایمن و مقیاس پذیر غیرمتمرکز تحت فعال سازی محدود

چکیده

To deploy safe and agile robots in cluttered environments, there is a need to develop fully decentralized controllers that guarantee safety, respect actuation limits, prevent deadlocks, and scale to thousands of agents. Current approaches fall short of meeting all these goals: optimization-based methods ensure safety but lack scalability, while learning-based methods scale but do not guarantee safety. We propose a novel algorithm to achieve safe and scalable control for multiple agents under limited actuation. Specifically, our approach includes: $(i)$ learning a decentralized neural Integral Control Barrier function (neural ICBF) for scalable, input-constrained control, $(ii)$ embedding a lightweight decentralized Model Predictive Control-based Integral Control Barrier Function (MPC-ICBF) into the neural network policy to ensure safety while maintaining scalability, and $(iii)$ introducing a novel method to minimize deadlocks based on gradient-based optimization techniques from machine learning to address local minima in deadlocks. Our numerical simulations show that this approach outperforms state-of-the-art multi-agent control algorithms in terms of safety, input constraint satisfaction, and minimizing deadlocks. Additionally, we demonstrate strong generalization across scenarios with varying agent counts, scaling up to 1000 agents.

چکیده به فارسی (ترجمه ماشینی)

برای استقرار روبات های ایمن و چابک در محیط های به هم ریخته ، نیاز به توسعه کنترل کننده های کاملاً غیر متمرکز وجود دارد که ایمنی را تضمین می کند ، به محدودیت های فعال سازی احترام می گذارد ، از بن بست ها جلوگیری می کند و به هزاران عامل می پردازد.رویکردهای فعلی از تحقق همه این اهداف کوتاه نمی آیند: روشهای مبتنی بر بهینه سازی ایمنی را تضمین می کنند اما از مقیاس پذیری برخوردار نیستند ، در حالی که روش های مبتنی بر یادگیری مقیاس اما ایمنی را تضمین نمی کنند.ما یک الگوریتم جدید برای دستیابی به کنترل ایمن و مقیاس پذیر برای چندین عامل تحت عمل محدود پیشنهاد می کنیم.به طور خاص ، رویکرد ما شامل موارد زیر است: $ (i) $ یادگیری یک عملکرد سد کنترل عصبی غیر متمرکز (ICBF عصبی) برای کنترل مقیاس پذیر ، محدود شده با ورودی ، $ (ii) $ تعبیه یک مدل غیر متمرکز سبک پیش بینی کننده کنترل یکپارچه کنترل مبتنی بر کنترل یکپارچه (MPC-ICBF) به سیاست شبکه عصبی برای اطمینان از ایمنی ضمن حفظ مقیاس پذیری ، و $ (iii) $ معرفی یک روش جدید برای به حداقل رساندن بن بست ها بر اساس تکنیک های بهینه سازی مبتنی بر شیب از یادگیری ماشین تا پرداختن به حداقل های محلی در بن بست.شبیه سازی های عددی ما نشان می دهد که این رویکرد از الگوریتم های کنترل چند عامل از نظر ایمنی ، رضایت محدودیت ورودی و به حداقل رساندن بن بست ها بهتر است.علاوه بر این ، ما تعمیم قوی را در سناریوها با تعداد عامل های مختلف نشان می دهیم و حداکثر 1000 عامل را مقیاس می دهیم.