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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Decentralized Safe and Scalable Multi-Agent Control under Limited Actuation
عنوان مقاله به فارسی کنترل چند عامله ایمن و مقیاس پذیر غیرمتمرکز تحت فعال سازی محدود
نویسندگان Vrushabh Zinage, Abhishek Jha, Rohan Chandra, Efstathios Bakolas
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Robotics,Multiagent Systems,Systems and Control,روباتیک , سیستم های چند منظوره , سیستم ها و کنترل ,
توضیحات Submitted 14 September, 2024; originally announced September 2024. , Comments: 7 pages
توضیحات به فارسی ارسال شده در 14 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 7 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.