SyncSBC: Decentralized Swarm Behavior Prediction for Synchronized Autonomous Control

Technische Samenvatting: SyncSBC – Gedecentraliseerde voorspelling van zwermgedrag voor gesynchroniseerde autonome controle

1. Probleemstelling

Robotzwermen worden steeds vaker ingezet voor complexe taken zoals zoek- en reddingsoperaties, surveillance en landbouw vanwege hun schaalbaarheid en robuustheid. Een kritieke uitdaging blijft echter: individuele agenten missen vaak de globale staatinformatie die nodig is om collectieve zwermgedragingen af te leiden. Hoewel gecentraliseerde visiesystemen zwermen kunnen volgen, zijn deze vaak onhaalbaar voor echte implementaties vanwege hardware-, budget- en communicatiebeperkingen.

Huidige gedecentraliseerde methoden richten zich doorgaans op het bereiken van overeenstemming over vooraf gedefinieerde beslissingsvariabelen (bijv. Best-of-M problemen) of op het reageren op omgevingsveranderingen. Ze adresseren zelden hoe agenten emergent collectief gedrag kunnen classificeren met behulp van uitsluitend lokale, egocentrische sensordata. Bovendien falen bestaande consensusmethoden vaak in het waarborgen van temporele synchronisatie, wat leidt tot gefragmenteerde besluitvorming waarbij agenten op verschillende tijdstippen handelen op basis van verschillende interpretaties van het gedrag. Deze gebrekkige synchronisatie belemmert kritieke toepassingen zoals gecoördineerde gedragsverandering en realtime anomaliedetectie.

De kernvraag die dit werk adresseert is: Hoe kunnen individuele agenten accuraat detecteren en adapteren aan zwemniveau-gedrag met behulp van uitsluitend lokale perceptie en beperkte, gedecentraliseerde communicatie?

2. Methodologie

De auteurs stellen SyncSBC (Synchronized Swarm Behavior Classification) voor, een tweestaps, volledig gedecentraliseerd framework dat gedragsvoorspellingen op agentniveau transformeert naar gesynchroniseerde actie-executie.

Fase 1: Classificatie op agentniveau (Swarm Behavior Classifier - SBC)

De eerste fase omvat het trainen van een gedeeld diep neuraal netwerkmodel om globaal zwemgedrag te voorspellen op basis van uitsluitend lokale observatietijdreeksen.

• Input: Elke robot $i$ verzamelt een geschiedenis van lokale observaties $O_{i,t}$ (bijv. Time-of-Flight sensorafstanden tot buren) over een venster $T$.
• Model: Een supervised learning model $\phi$ brengt deze lokale sequenties in kaart naar een waarschijnlijkheidsverdeling over $M$ gedragsklassen. De auteurs evalueerden diverse architecturen (GRU, LSTM, Transformer, CNN) en stelden vast dat een Temporal Convolutional Network (TCN) de beste nauwkeurigheid en kalibratie opleverde.
• Output: Het model produceert klassenwaarschijnlijkheden $p_i(t)$, die worden afgevlakt met een Exponential Weighted Moving Average (EWMA) om een lokale schatting $P_i(t)$ te genereren.

Fase 2: Gesynchroniseerde vorming van overtuigingen (Belief Formation)

Om individuele voorspellingen af te stemmen op een verenigde zwermbeslissing, maakt het framework gebruik van een tweestaps consensusproces:

1. Interne vorming van overtuigingen: Robots converteren hun afgevlakte voorspellingen $P_i(t)$ naar een binaire interne overtuiging $b_i$. De auteurs evalueerden verschillende consensusstrategieën (Averaging, Entropy-based Fusion, Neighbor Variance, en Sample-and-Hold). Sample-and-Hold werd geïdentificeerd als de optimale strategie om de vertraging tussen de convergentie van de grondwaarheid en de vorming van de interne overtuiging van de agent te minimaliseren.
2. Synchronisatie: Om ervoor te zorgen dat alle agenten gelijktijdig tot een consensus komen, introduceert het framework twee synchronisatiemechanismen:
   • Boolean Gossip (BG): Een monotone, epidemische propagatie waarbij agenten hun gesynchroniseerde overtuiging $s_i$ iteratief bijwerken via een logische AND-operatie met buren ($s_i = b_i \land s_j$).
   • Integrated Belief Synchronizer (IBS): Een nieuw mechanisme waarbij agenten synchronisatiestatus (token owner, epoch, lidmaatschapsset) meesturen (piggybacken) op gedragsberichten. Agenten fuseren staten op basis van de hoogste epoch, wat zorgt voor de resolutie van gelijktijdige updates en het voorkomen van gesplitste beslissingen.

Communicatie-efficiëntie

Beide fasen maken gebruik van Event-Triggered Communication (ETC). In plaats van periodiek te broadcasten, verzenden agenten berichten alleen wanneer hun interne statusverschil groter is dan een drempelwaarde ten opzichte van het verschil bij de buren. Dit vermindert de netwerkoverhead en congestie aanzienlijk, terwijl de synchronisatie behouden blijft.

3. Belangrijkste Bijdragen

Het artikel beschrijft drie primaire bijdragen:

1. Gedecentraliseerde gedragclassificatie: Een nieuw framework (SBC) dat individuele agenten in staat stelt om emergent globaal zwemgedrag te classificeren met behulp van uitsluitend gedeeltelijk observeerbare lokale sensorsignalen, zonder centrale tracking.
2. Gesynchroniseerde consensuspipeline: Een gedistribueerde pipeline die event-gestuurde communicatie combineert met hybride consensusmechanismen (Boolean Gossip en IBS) om de temporele afstemming van zwermbeslissingen te bereiken, waardoor de synchronisatievertraging wordt geminimaliseerd.
3. Validatie in de echte wereld: Demonstratie van het framework op fysieke robotzwermen (HeRo+ robots) voor twee kritieke toepassingen: Autonome Gedragsverandering en Anomaliedetectie.

4. Experimentele Resultaten

De auteurs evalueerden SyncSBC via uitgebreide simulaties (Isaac Sim) en experimenten met een zwerm van 8 differential-drive HeRo+ robots.

• Classificatienauwkeurigheid: Het TCN-gebaseerde SBC-model behaalde een hoge classificatienauwkeurigheid op de helderstaande testdata.
• Synchronisatievertraging:
  • In simulatie behaalde SyncSBC een gemiddelde synchronisatievertraging van <1 seconde**, vergeleken met **>10 seconden voor consensusmethoden die enkel op overeenstemming gericht zijn.
  • Op echte robots behaalde de methode een vertraging van <3 seconden**, wat aanzienlijk beter is dan strategieën die enkel op overeenstemming gericht zijn, welke vertragingen van **>15 seconden vertoonden.
• Communicatie-overhead: De combinatie van Event-Triggered Communication met de Integrated Belief Synchronizer (ESI) resulteerde in het laagste totale aantal berichten over alle gedragingen heen, wat een hoge schaalbaarheid aantoont.
• Prestaties van de toepassing:
  • Gedragsverandering: De zwerm slaagde erin om gesynchroniseerd te schakelen tussen Cyclic Pursuit, Aggregation en Dispersal gedragingen. Pure Sample-and-Hold strategieën faalden in het handhaven van een strakke synchronisatie, wat leidde tot niet-afgestemde transities, terwijl ESB en ESI stabiele, gesynchroniseerde wisselingen behielden.
  • Anomaliedetectie: Het systeem identificeerde defecte agenten (bijv. een stilstaande robot of een robot met gewijzigde controllers) succesvol in realtime. De anomaliekans voor de afwijkende agenten nam toe naarmate hun interne overtuigingen verschilden van de gesynchroniseerde meerderheid, wat de capaciteit van het systeem demonstreert om zichzelf te diagnosticeren zonder extern toezicht.

5. Betekenis en Claims

Het artikel claimt dat SyncSBC een robuuste oplossing biedt voor communicatiebeperkte zwermrobotica door de kloof tussen lokale perceptie en globale coördinatie te overbruggen. De betekenis ligt in:

• Schaalbaarheid: Het functioneert zonder centrale controle of breedbandcommunicatie, wat het geschikt maakt voor grootschalige, real-world implementaties.
• Temporele Afstemming: In tegen tegenovergaan consensusmethoden die enkel focussen op wat de beslissing is, zorgt SyncSBC ervoor dat de beslissing ook op het juiste moment wordt genomen, wat cruciaal is voor closed-loop controle en gecoördineerde transities.
• Zelfhelend Vermogen: Het framework ondersteunt inherent anomaliedetectie, waardoor zwermen in staat zijn om niet-afgestemde of defecte agenten autonoom te identificeren en te isoleren.

De auteurs concluderen dat hoewel het huidige werk zich richt op specifieke gedragingen en sensormodaliteiten, het framework een veelbelovende basis biedt voor toekomstig onderzoek naar zelfhelende gedragingen en complexe besluitvorming in de omgeving binnen volledig gedecentraliseerde multi-agent systemen.