UAVスウォームにおけるゼロショットでスケーラブルなレジリエンス：物理インフォームドなグラフ相互作用に基づく分散模倣学習フレームワーク

要旨: 大規模な無人航空機（UAV）の障害は、無人航空機スウォームのネットワークを切断されたサブネットワークに分断し、分散型の復旧を緊急かつ困難にします。中央集権的な復旧手法はグローバルなトポロジ情報に依存しており、深刻な断片化の後では通信量が増大します。分散型のヒューリスティックやマルチエージェント強化学習手法は導入が容易ですが、スウォーム規模や損傷の深刻度が変化すると、その性能がしばしば低下します。私たちは、物理に基づくグラフ敵対的模倣学習アルゴリズム（PhyGAIL）を提示します。これは、分散実行を伴う中央集権的学習を採用します。PhyGAILは、異種の観測から有界な局所相互作用グラフを構築し、物理に基づくグラフニューラルネットワークを用いて、明示的な引力と斥力を伴うゲート付きメッセージパッシングとして方向性のある局所相互作用を符号化します。これにより、局所観測のスケール不変性を保ちながら、方策に物理的に根拠づけられた協調のバイアスを与えます。また、状況に適応した模倣学習を用いて、断片化したトポロジおよび可変長の復旧エピソードにおける学習を改善します。私たちの解析は、有界な局所グラフ増幅、有界な相互作用ダイナミクス、終端成功信号の分散の制御を確立します。20-UAVスウォームで学習した方策は、微調整なしで最大500-UAVのスウォームへ直接移転でき、再接続の信頼性、復旧速度、運動の安全性、ならびに実行時効率のいずれにおいても、代表的なベースラインより優れた性能を達成します。