Méthodes d'apprentissage profond pour la prise de décision décentralisée dans le domaine de la santé Contre-feux Engagements est un logiciel libre de la Naval Postgraduate School. thèse par Kurdo A. Sharif.

L'essor des technologies sans pilote a alimenté la recherche interdisciplinaire sur les systèmes robotiques en essaim, en particulier dans le cadre d'applications militaires. Ces systèmes s'inspirent des capacités de résolution de problèmes des essaims biologiques, offrant l'avantage d'un comportement global émergent résultant d'interactions locales et minimisant la nécessité d'un contrôle centralisé. Les méthodes traditionnelles pour créer un comportement émergent dans les essaims robotiques dépendent d'une dynamique d'essaim prévisible et contrôlable, de règles locales clairement définies et d'une connaissance complète de tous les agents.

En revanche, les stratégies de contre-essaimage nécessitent des approches globales robustes et adaptables qui fonctionnent efficacement dans des environnements dynamiques avec des informations limitées. Cette recherche explore le problème inverse : concevoir des règles locales pour obtenir des comportements émergents généralement dérivés d'une connaissance et d'une communication parfaites entre les drones. L'objectif est de développer des régions décentralisées où un drone défenseur utilise un modèle de réseau neuronal entraîné de manière intensive sur des données de simulation.

Les données de simulation, dérivées de scénarios impliquant trois attaquants et un défenseur, ont été organisées en divers ensembles d'entrée représentant différentes caractéristiques. Après l'entraînement, une analyse de régression a été réalisée pour identifier l'ensemble de caractéristiques qui produisait les angles d'attaque les plus efficaces par rapport à un algorithme de type oracle. Les résultats ont révélé que le modèle de réseau neuronal était plus performant que l'oracle dans l'optimisation d'engagements plus courts, démontrant ainsi le potentiel de l'utilisation de réseaux formés comme alternative aux algorithmes traditionnels.

Date de publication- juin 2024

Deep Learning Methods for Decentralized Decision-Making in Counterswarm Engagements (Méthodes d'apprentissage profond pour la prise de décision décentralisée dans les engagements de contre-espace) contient les sections principales suivantes :

  • Introduction
  • Générer des données de simulation
  • Formation du défenseur
  • Performance des réseaux neuronaux et analyse post-entraînement
  • Conclusion

Crédit photo : Adobe Stock par Constantine Art (Généré par l'IA)